AI審判 vs 議論の数学、勝ったのは意外なほう?

「AI同士に議論させて、最後に別のAIが判定する」——マルチエージェント討論のこの設計、実はほとんど検証されてこなかった"審判"の部分に、大きな穴がありました。Imperial College London と King's College London の研究チームが、LLMを審判にした場合と、議論を数式で評価する「議論意味論（QBAF／DF-QuAD）」を審判にした場合を、主張500件・エージェント3体で徹底比較。精度はほぼ互角（76.00% vs 75.00%）なのに、決定性・順序独立性・異議可能性といった"審判としての筋の良さ"では、はっきり差がつきました。