🤖 AI

Diverse Evidence, Better Forecasts: Multi-Agent Deliberation Under Information Asymmetry

本文介绍了 InfoDelphi，这是一个通过将证据划分为共享的公共子集和不相交的私有子集来利用设计的非对称信息，从而降低智能体间误差相关性的多智能体预测框架，其在现实世界预测任务上的表现显著优于现有基准模型。

原作者： Yuante Li, Yicheng Tao, Kate Zhang, Taozhi Wang, Gefei Gu, Yaxin Zhou

发布于 2026-07-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuante Li, Yicheng Tao, Kate Zhang, Taozhi Wang, Gefei Gu, Yaxin Zhou

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图预测一个复杂事件的结果，比如“某特定加密货币的销售额是否会达到 18 亿美元？”你向一个由三位专家组成的小组征求意见。

在过去的方法中（即“标准辩论”），你会给所有三位专家提供完全相同的资料堆让他们阅读。他们坐下来讨论，然后给你一个最终答案。

这种方法通常会失败。为什么？因为如果每个人读到的都是同一个故事，他们都会产生相同的想法。如果那个故事具有误导性或不完整，他们就会一起被误导。他们并没有真正进行“辩论”；他们只是像羊群一样随大流（herding），从而强化了同一个错误的结论。

作者 Yuante Li 及其同事提出了一种新方法，称为 InfoDelphi。他们的秘诀在于设计的的信息不对称（Designed Information Asymmetry）。

以下是它的运作方式，使用一个简单的类比：

“秘密配料”类比

想象一下你在烤蛋糕，你有三位厨师。

旧方法： 你给所有三位厨师一本完全相同的食谱书。他们阅读同样的指令。如果书里有一个错别字，三位厨师都会犯同样的错误。
InfoDelphi 方法： 你给他们一本共享食谱（“公共”部分），这样他们可以互相交流，但你还给每位厨师一张不同的秘密便条（“私有”部分），上面有其他人没有的独特技巧或事实。
- 厨师 A 得到了一张关于烤箱温度的便条。
- 厨师 B 得到了一张关于面粉品牌的便条。
- 厨师 C 得到了一张关于海拔高度的便条。

现在，当他们交谈时，他们不仅仅是在重复同样的内容。他们在分享他们独特的秘密。厨师 A 从厨师 B 那里了解到了面粉的情况。厨师 B 从厨师 A 那里了解到了烤箱的情况。通过这种方式，他们最后做出的蛋糕比仅仅阅读同一本书要好得多。

InfoDelphi 的三个步骤

拆分证据（设置阶段）：
系统并不会把所有的互联网搜索结果都丢给每个人，而是将信息进行拆分。
- 公共池（Public Pool）： 一组较小的、共享的、最重要的事实，所有人都能看到。这是他们的“共同语言”，以便他们能够理解彼此。
- 私有池（Private Pools）： 其余的事实被切分并分配给不同的智能体（agents）。每个智能体都拥有一个独特的、无人拥有的信息碎片。
审议（对话阶段）：
这些智能体不仅仅是喊出一个数字（比如“70% 的概率！”）。他们会分享他们的推理过程（即“理由/逻辑”）。
- 这为什么重要： 如果智能体 A 说：“我认为是 90%，因为我看到了一篇关于 X 的报告，”而智能体 B 说：“我认为是 10%，因为我看到了一篇关于 Y 的报告，”那么他们现在就可以交换这些报告。智能体 A 会意识到：“噢，我没看到关于 Y 的那篇报告！”并进而改变自己的想法。
- 论文证明，如果他们只分享数字，他们就无法学到任何新东西。他们必须分享数字背后的故事。
最终投票（聚合阶段）：
在讨论结束后，他们会结合他们的答案。但他们并不只是简单地取平均值。他们会根据置信度来衡量答案的权重。
- 如果一个智能体说，“我有 99% 的把握，”并且其推理得到了强大的私有证据支持，那么他的投票权重就更高。
- 如果一个智能体在 50% 左右犹豫不决，那么他的投票权重就较低。

结果：这真的有效吗？

团队在 POLYGYM 上测试了这一方法，这是一个包含 375 个真实世界预测问题（类似于博彩网站上的问题）的新测试集。

旧方法的问题： 当智能体拥有相同的信息时，他们的误差是高度相关的。如果其中一个错了，他们都会错。
InfoDelphi 的胜利： 通过给予他们不同的私有信息，该系统降低了所有人同时犯错的可能性。
- 准确度（Accuracy）： 他们比以往最好的方法多实现了 4–8% 的正确率。
- 精确度（Precision）： 他们的概率估计更加准确（以“布赖尔分数/Brier score”衡量，该分数下降了 12–18%）。

论文中的现实案例

论文给出了一个关于加密货币销售的极佳例子：

问题： 一家公司是否筹集了超过 18 亿美元？
陷阱： 大多数新闻文章都说：“哇，这次销售规模巨大且超额认购！”这让所有人都认为答案是**“是”**。
秘密： 其中一个智能体拥有一份私有文件，显示了确切的数字：13.9 亿美元。
修正： 在旧系统中，所有人都会因为读到了“规模巨大”的标题而回答“是”。但在 InfoDelphi 中，拥有 13.9 亿这份文件的智能体分享了他的推理过程。其他智能体看到了这个具体的数字，意识到“规模巨大”的标题夸大了事实，并修正了他们的答案为**“否”**。

核心结论

该论文声称，如果一群 AI 智能体想要比单个智能体更聪明，他们必须拥有不同的信息。如果他们读的是同一本书，他们只会互相认同，而不会变得更聪明。通过有意地给予他们不同的“秘密便条”并强制他们分享推理过程，这个群体可以纠正彼此的错误，并得出更好的预测。

技术摘要：多样化证据，更佳预测：信息不对称下的多智能体审议

问题陈述

利用大语言模型（LLM）的多智能体系统正越来越多地被用于预测未来事件，其基本假设是多智能体间的审议可以提升推理能力和校准度。然而，现有的方法通常为所有智能体提供完全相同的证据语料库。作者指出，这种设计存在一个关键缺陷：当智能体共享相同的信息时，审议会退化为“从众”（herding）而非真正的信念修正。在这种同质化设置中，智能体独立地得出相同的结论，迭代式的交换仅仅是在强化共同的先验。近期的理论研究表明，在输入相同的情况下，多智能体辩论表现得像是一个鞅（martingale），即预期准确度不会随着轮次的增加而提高；同时，实证研究显示，不同供应商之间的 LLM 错误具有高度相关性（通常超过 60%）。因此，使用同质化输入的多智能体系统相比于单智能体基准模型几乎没有优势。

方法论：InfoDelphi 与设计的的信息不对称

为了解决同质化设置中的错误相关性问题，作者提出了设计的的信息不对称（designed information asymmetry），将信息不对称视为一种可以利用的设计原则，而非一种限制。他们通过 InfoDelphi 实现这一原则，这是一个多智能体预测框架。

1. 理论基础

作者利用集成均方误差（MSE）的偏差-方差-协方差分解来形式化信息不对称带来的收益。

相关错误： 当智能体接收到相同的证据（ $E$ ）时，它们的预测错误由相同的来源驱动，导致高智能体间错误相关性（ $Cov(\epsilon_i, \epsilon_j) \approx Var(\epsilon)$ ）。这导致集成 MSE 中的多样性项塌缩，从而抵消了聚合带来的收益。
通过划分实现去相关： 作者建议将证据语料库 $E$ $E$ 划分为共享公共子集（ $E_{pub}$ $E_{p u b}$ ）和不相交的私有子集（ $E_{priv}$ $E_{p r i v}$ ）。
- 令 $\rho$ 为公共证据的比例。
- 理论分析（命题 3.1）表明，随着 $\rho$ 从 1（全公共）向 0（全私有）降低，智能体间的错误相关性单调下降。
- 具体而言，当公共比例 $\rho=0.5$ 且方差分量相等时，智能体间的相关性会降至 0.5（仅为基准值 1.0 的一半）。
理由共享： 为了确保智能体能够从彼此的私有信号中获益，该框架要求交换的是理由（reasoning traces，即推理痕迹），而非仅仅是数值概率估计。作者通过数据处理不等式（Data Processing Inequality）指出，仅交换数字会形成一个关于地面真值（ground truth）的信息量只能减少的马尔可夫链。分享理由则打破了这一链条，使得私有证据能够在智能体边界之间传播。

2. InfoDelphi 框架

InfoDelphi 分三个阶段运行：

证据路由： 使用 BM25 相关性排序对证据语料进行划分。
- 得分最高的文档（与查询最相关的）构成共享公共池（ $E_{pub}$ ），为通信提供共同基础。
- 其余文档根据相关性得分以轮询方式分配给各个智能体，从而创建不相交的私有子集（ $E_{priv}$ ）。这确保了每个智能体在共享核心上下文的同时，也持有独特的边缘证据。
迭代审议： 智能体进行多轮预测。在每一轮中，智能体基于其私有视图（ $E_{pub} \cup E_{priv}$ ）以及其他智能体之前预测的历史摘要（包含结构化理由）进行条件化推理。
置信度加权聚合： 最终预测在 logit 空间进行聚合。聚合权重（ $w_j$ ）由智能体预测的极端程度（ $|logit(p_j)|$ ）决定。该机制放大了那些持有更强私有证据的智能体的预测，因为这些智能体往往会产生更极端的（更有信心的）预测。

核心贡献

设计的的信息不对称： 本文提出将信息不对称作为多智能体推理的一项一等公民设计原则，并在理论上证明了通过公共/私有证据划分可以降低智能体间的错误相关性。
InfoDelphi 框架： 作者引入了一个具体的框架，通过相关性感知的证据路由、基于理由的迭代审议以及置信度加权聚合来实现这一原则。
POLYGYM 基准测试： 为了将信息利用能力与检索质量分离，作者构建了 POLYGYM，这是一个由来自真实世界预测市场（Polymarket）的 375 个二元预测问题组成的受控基准测试。至关重要的是，所有方法都运行在同一组固定的、预先检索的证据池之上，消除了搜索策略带来的变数。

实验结果

实验在 POLYGYM 上进行，设置 $J=3$ 个智能体和 $R=2$ 轮审议。

性能： InfoDelphi 实现了 0.178 的 Brier 分数和 77.9% 的准确率。这优于最强的单智能体基准（如思维链 CoT、超级预言家 Superforecaster）以及多智能体基准（如标准辩论 Standard Debate、MoA），在 Brier 分数上提升了 12–18%，在准确率上提升了 4–8 个百分点。
多样性的必要性： 消融实验证实，移除信息不对称（设置 $\rho=1.0$ ，即全公共）会消除大部分审议收益，使性能降至与标准辩论相当的水平。
理由共享的重要性： 移除理由共享（仅交换数字）会导致性能显著下降（Brier 分数上升至 0.211），验证了“封闭系统下的数值交换无法提高集体准确度”这一理论主张。
泛化能力： 该框架在不同的模型后端（包括 GPT-5.4-mini、DeepSeek-V3.2 和 Llama-4-Scout）上均表现出一致的改进，且增益随模型能力的提升而扩大。
机制验证： 分析表明，置信度加权聚合之所以有效，是因为拥有更强私有证据的智能体会产生更极端的预测。此外，与同质化设置（方差减少 90–92%）相比，信息不对称保留了更高的智能体间多样性（仅减少了 73% 的方差），防止了系统塌缩为共识回声室。

意义与主张

本文声称，输入的多样性是有效多智能体推理的关键驱动力。作者认为，向所有智能体提供完全相同的上下文窗口的标准做法，从根本上限制了多智能体交互的价值。通过引入设计的的信息不对称，InfoDelphi 将冗余的审议转化为了富有成效的信念修正。

作者将概率预测定位为一个对该原则要求极高的测试场景，因为它需要合成带有噪声且相互矛盾的证据。他们指出，在这一设定下观察到的稳健提升，表明该框架在其他多智能体系统中也具有广泛的应用前景，例如协作式问答和科学假设评估。

论文对自身的局限性保持了谦逊的态度，承认其理论证明依赖于理想化假设（线性误差分解、私有噪声的独立性），且目前的实现采用了标准的现成方法进行路由和聚合，这为更复杂的替代方案留下了空间。此外，作者指出，该框架的上界仍受限于初始证据检索的质量。