多智能体辩论真的更强吗？一项覆盖23个模型的研究给出了反直觉答案
多智能体辩论的光环，可能来自一个被忽视的统计效应
多智能体辩论（Multi-Agent Debate，MAD）一直被视作提升大模型推理与事实准确性的有效手段——让多个智能体互相质疑、反复修正，最终收敛出更可靠的答案。但一篇提交至 ICLR 2027 的论文对这个前提提出了系统性质疑：如果所谓的“辩论增益”只是集成采样（ensemble sampling）的另一种表现形式呢？
这篇题为《Beyond Symmetric Agents: Cognitive Diversity and Multi-Agent Debate in Small Language Models》的研究，将实验对象设定在小型开源权重模型上——这些模型在基准测试上仍有明显提升空间，因而更适合测量“辩论是否真的带来额外收益”。研究覆盖了来自 11 个厂商家族的 23 个模型、5 项任务，以及 5500 次以上的辩论与控制组运行。
认知多样性假说，在三个维度上都被否定
研究者提出的核心假设是：辩论之所以有效，是因为智能体之间存在认知多样性。他们沿三条轴线操纵多样性：
- 人格设定（personas）
- 采样温度
- 模型身份
每一个辩论配置都配有一个生成预算匹配的多数投票控制组，以保证比较公平。结果，这一假说在每一条轴线上都被拒绝。
辩论确实能击败单智能体推理——在有提升空间的任务上领先 3 到 7 个百分点。但在预算匹配的条件下，它要么与自一致性采样（self-consistency sampling）打平，要么直接落败，而代价是 1.6 倍的挂钟时间和 3.4 倍的 token 消耗。
人格提示词是一种“税”，而非多样性红利
一个值得注意的发现是：人格提示词反而会降低准确率。研究者对每个模型的完整人格组合空间做了剂量-反应实验，结论是这是一种“人格税”而非“多样性税”——冗余的人格设定伤害最大，而多样性最高的团队只能挽回部分损失。
此外，混合模型团队的表现不如对自身成员名单做多数投票，准确率更多跟随成员能力而非异质性。辩论的几乎所有收益，都来自第一轮答案交换。
一个隐蔽的测量陷阱
论文还指出一个普遍存在的测量风险：辩论记录会悄无声息地溢出服务端的上下文窗口。仅修正这一问题，就能把辩论与采样的对比从 -1.8 个百分点拉回到持平。
研究者由此得出结论：此前报道的 MAD 增益，应被重新理解为一种集成采样效应。他们同时提供了一个预算匹配、经过污染检查的基线标准，供未来的辩论机制对照验证。
对于正在构建多智能体系统的团队而言，这项研究传递的信号相当直接：在付出数倍算力之前，先确认你想要的收益是否真的来自“辩论”本身。