训练 LLM 智能体协作：通过可验证信息奖励实现多智能体合作

CoSIR 方法通过可验证环境训练 LLM 智能体在多智能体系统中协作，使用贝叶斯评估器根据团队惊讶度减少量对共享信息进行评分。该方法在 Qwen3-4B、Qwen3-8B 和 Gemma-3-4B-it 上进行自博弈微调，并在七个未见过的自然语言协作任务中取得最高综合得分，同时保持通用任务表现竞争力。行为分析显示智能体更倾向于披露私有证据，并减少对队友输入的误判使用。