arXiv 于 2026 年 10 月 13 日发布论文《Training LLMs for Multi-Agent Collaboration with Verifiable Information Rewards》，提出 CoSIR（Collaboration via Surprisal-based Information Rewards）后训练方法。该方法用一个简单、可验证的环境来教授协作行为，并希望这些行为能泛化到更复杂、未见过的任务；其贝叶斯评估器以“团队意外度”（各智能体在已有证据下给正确选项所分配负对数概率之和）的下降幅度来衡量共享信息的价值，并同样以若所请求信息被如实提供时的潜在下降幅度来给请求打分，另有单独奖励鼓励智能体在私有选择与计算中使用收到的信息。作者通过自对弈对 Qwen3-4B、Qwen3-8B 和 Gemma-3-4B-it 进行后训练，并评估向七个未见自然语言协作任务的迁移：CoSIR 取得最高总评分，在通用任务上的表现也保持竞争力；行为分析显示智能体更多披露私有证据，被判定为未使用队友输入的失败更少。论文共 23 页。

CoSIR·Qwen3-4B·Qwen3-8B·+1