Badacze opracowali Pipeline Chain-of-Models (CoM), w którym drugi model LLM pełni rolę audytora i sprawdza rozumowanie pierwszego modelu przed wydaniem ostatecznego wyroku. Rozwiązanie ma na celu zmniejszenie wpływu uprzedzeń poznawczych, którym podlegają modele języka wykorzystywane jako automatyczne судьи w różnych zadaniach oceny.
Klucze odkrycie polega na tym, że identyczność audytora ma znaczenie dla skuteczności systemu. Badania przeprowadzone na 9 modelach z 6 rodzin, 4 typach uprzedzeń poznawczych (stadność, autorytet, rozpraszanie, sychofalctwo) i 4 zbiorach danych faktycznych wykazały, że najlepszy audytor jest specyficzny dla danego typu prejudicji. Przykładowo Kimi-K2.5 okazuje się mocny w samodzielnej odporności na niektóre bias, jednak słabo funkcjonuje jako audytor dla śladów rozumowania Qwen2.5-72B. Tymczasem GPT-4o wykazuje najwyższą efektywność przy wykrywaniu stadności, wpływu autorytetów i rozpraszania, a GLM-5 sprawdza się najlepiej w walce z sychofalctwem.
Naukowcy opracowali regułę automatycznego wyboru audytora dla każdego typu prejudicji na podstawie różnorodności funkcjonalnej modeli, ich samodzielnej odporności na konkretny bias i skalibrowanej efektywności audytu. System osiągnął dokładność 0,884 w testach, znacznie przewyższając wynik najlepszego pojedynczego audytora (0,824) i bazę bez audytu (0,805). To podejście ma potencjał do praktycznego zastosowania, gdzie wybór audytora dostosowuje się do rodzaju potencjalnego uprzedzenia w konkretnym zadaniu.