CoSIR：用「惊喜度降低」奖励训练 LLM 多智能体协作

CoSIR 用「团队惊喜度降低量」奖励为 LLM 多智能体协作做后训练，贝叶斯评估器给共享信息与信息请求打分，另设独立奖励鼓励 agent 真正使用收到的信息。在 Qwen3-4B/8B 和 Gemma-3-4B-it 上自博弈后训练后，模型在 7 个未见协作任务上总分最高，通用任务性能保持。行为分析显示私有证据披露增加，忽视队友输入的判定失败减少。