Reviewer Capability Governs Rejection Targeting, Not Repair Skill: Evidence from LLM Execute-Review-Revise Pipelines
研究通过跨家族中档模型担任评审员、低能力模型担任执行者的多智能体 LLM 流水线，验证了评审能力而非修复技能决定拒稿针对性。在 100 道奥林匹克数学题测试中，使用跨家族中档评审员使最终准确率提升 12 个百分点（从 52% 升至 64%，p=0.0005），且未造成任何错误答案；相比之下，同模型自审查虽检出率最高（0.85），但修复率低（15% 对 43%）且误拒率高（35% 对 2%）。研究指出，自审查的低损伤率源于修订惯性而非评审质量：18 个被错误拒答的正确答案中，执行者已合规的 3 个全部出错，其余 15 个因未被忽略而保持原样。当能力低于阈值时，评审角色失效：最弱评审员未改变任何最终答案却使 token 成本翻倍。该研究仅描述单一配置下的结果，应视为受控试点而非关于验证阶段的普遍结论。