多智能体LLM辩论中偏见共识的相变涌现 · Emergence of Biased Consensus in Multi-Agent LLM Debates

多智能体LLM辩论（多个agent互相看到彼此输出、迭代修正判断）已被广泛用于提升决策任务和推理基准上的表现，但其安全性/公平性风险尚未被系统刻画：交互过程本身可能放大单个LLM原有的偏见，而不仅仅是稀释噪声、逼近真相。已有工作大多零散地报告"辩论后偏见变大/变小"的实证现象，缺乏一个能预测"什么条件下偏见会突然爆发"的定量理论。本文要回答的核心问题是：多智能体辩论中，群体从中立状态滑向集体偏见共识，是否存在一个可预测的临界条件，以及哪些因素能抑制这种滑坡。

把每个agent的表态看作一个"自旋"：二元判断（是/否）对应经典 Ising 模型，多元选择（如候选人筛选）对应 q态Potts模型。每个agent i 有一个局部"认知张力"（能量）函数，由三部分构成：与邻居agent状态的一致性收益（从众项，权重为从众参数 λ）、中性先验偏好、以及初始偏见项。agent按玻尔兹曼/softmax规则概率性更新自己的表态，其中LLM的采样温度T被直接对应到统计物理中的噪声（β=1/T）——温度越低，agent越倾向"随大流"而非探索。

在均场近似下推导出群体聚合状态 m(t) 的动力学方程，得到核心临界条件：当 λρN/T ≳ 1 时（λ为从众参数、ρ为有效连接稀疏度、N为agent数、T为温度），系统从"无偏一致"相变为"偏见共识"相。有限规模系统中，这个尖锐相变会被平滑为一个"交叉区"（crossover），涨落项量级为 O(1/√(ρN))。这套框架把"辩论会不会放偏"从经验观察变成了可用少数几个参数计算的问题。

论文进一步把理论扩展到异质群体（不同模型/不同温度混合），得到异质均场方程——每个子群体各自的非线性响应函数被整体平均。作者的解释是：混合不同类型的agent相当于对多条不同形状的非线性激活曲线取平均，会磨平原本尖锐的相变边界，并能稳定在一个"部分一致但不极端"的中间聚合值，而不是滑向完全的集体共识。

理论验证分两条线：合成受控实验用11个商业/开源LLM（覆盖OpenAI、DeepSeek、Llama、Mistral、Qwen五大模型家族），在二元中性符号任务和隐性偏见任务（基于Borah & Mihalcea性别角色数据集）上，系统扫描温度T与初始偏见强度（通过logit bias控制），每组配置重复多次运行取均值和标准误，观测是否出现理论预测的有限尺度交叉现象。真实任务验证则用10个GPT-4.1 Nano智能体做7轮投资推荐辩论，以及6个同质GPT-3.5/GPT-4智能体在MT-Bench样本上做LLM评委任务，检验低温/高从众条件下是否真的会快速塌缩到有偏共识，并对比同质与异质（混合温度）群体的差异。

合成实验中观测到与理论一致的有限尺度交叉：随着温度降低或从众权重升高，群体聚合状态从接近零（中立）陡然跳到接近±1（一致但可能有偏）。作者特别强调，很小的温度扰动（约ΔT≈0.1量级）就足以让系统从无偏跨越到偏见共识，这正是相变系统的典型标志——不是缓慢漂移，而是临界点附近的剧烈响应。

在投资推荐任务中，低温（T<0.5）条件下辩论群体在1-2轮内就快速形成偏见共识（表现为美股/科技股过度集中），并伴随相对全球基准的收益下降；而采用异质温度组合（多个agent温度分散在1.4-1.6区间）相比同质基线能同时降低偏见集中度、提升相对表现。LLM评委任务上观察到类似模式：异质温度混合组（温度分散在1.3-1.7）相比同质群体降低了"自我偏好偏差"（如GPT-4系模型偏爱自身输出），并提升了与人类标注的一致性准确率。

在异质群体的直接对比实验中，同质群体的聚合偏见指标m(R)取值范围较宽，混合不同模型/温度的群体则明显收窄，验证了"混合子群体能软化相变、抑制极端偏见共识"的理论预测。

这篇论文提供的是一个"何时会出事"的定量预警框架，而不只是又一份"辩论会放大偏见"的实证报告——这对多智能体/duplex agent架构设计有直接的可操作性：采样温度不是一个可以随便调低求稳定输出的旋钮，它同时也是控制群体相变临界点的关键参数。在实时全双工交互场景中，如果多个子agent（例如Interaction Layer和Thinking Layer之间，或多个并行推理分支）以低温、高连接度的方式互相"对齐"，理论上就存在一个隐藏的临界阈值，一旦跨过就会突然塌缩到某个（可能有偏的）共识状态，且这个塌缩对参数扰动异常敏感——这与duplex架构里追求的"快速收敛+实时响应"目标其实存在张力：收敛越快、越确定，越接近相变边界。

更有启发性的是异质性作为"相变软化剂"的角色：论文的解决方案不是加正则化或后处理去偏，而是结构性地混合不同温度/不同模型的agent，让群体响应函数被平均、边界被磨平。这提示在设计多agent协作系统（包括辩论式验证、多分支推理投票）时，刻意引入异质性（不同的模型、不同的采样策略、甚至不同的角色prompt）可能是比事后校准更根本的偏见防御手段。不过论文的理论核心建立在均场近似和简化的连接拓扑（稀疏度ρ）上，真实agent间的信息交互远比"看到聚合状态并softmax响应"复杂，临界阈值 λρN/T≳1 在更复杂的通信拓扑（如duplex架构的异步、非全连接结构）下是否依然成立，是一个值得跟进的问题。