多智能体微调：通过多样化推理链实现自我提升

本研究探讨了如何通过多智能体模型的微调来克服大型语言模型（LLMs）在训练数据上的局限性。我们提出了一种新方法，通过在多智能体互动中生成的数据独立微调每个模型，使其能够实现专业化和多样化，从而显著提高自我改善的效果。研究结果表明，这种方法能够使系统在推理任务中保持多样化的推理链，并在多轮微调中实现更高效的提升。