多智能体凑在一起做题，最难的不是没人答，是几个人答得不一样听谁的。常见的做法是投票或者加权，但这套默认动作藏着一个很少被讲破的假设：分歧就等于不确定，少数派就该被抹掉。10 月 15 日提交 arXiv 的 Bias Control and Injection for Multi-Agent Aggregation（编号 2610.21290）把这个假设翻了过来——分歧本身没价值，但制造分歧的过程里藏着信号。
论文四位作者，跨人工智能、计算语言与多智能体系统三个分区，尚未经同行评审。它盯上的是一类特定偏见：非语义偏见。智能体说「我选 B」，可能不是因为 B 的推理更硬，而是因为多数同伴选了 B（多数压力），或者因为 B 的表述风格更像标准答案（文风偏好）。这两种偏见都会盖住推理质量本身，让聚合器把「说法最自信的那个」误当成「想得最清楚的那个」。
两步动作：先熨平，再试探
论文的做法分两步，都用偏见，方向相反。控制那步做去重与归一：把智能体们的答案按内容归并，同一答案只保留一条推理轨迹，并抹平表述风格上的差异——目的是让「答案不同」不再被「说法不同」冒充。注入那步更有意思：把每个聚合智能体自己初选的答案，刻意放到少数派的位置上，看它在同伴压力下换不换边。换得动，说明初选的把握没那么强；换不动，这个答案的确定性就有了运行时证据。
这套框架的两个卖点都在「运行时」三个字上：不需要验证集，也不要求事先知道哪个模型更强。投票与加权要么依赖标签，要么依赖对模型能力的先验排序，而先验本身常常是过期的。无先验聚合在异构模型组合里尤其实用——团队今天接三个模型、明天换两个，权重表还没焐热就作废了。
放进台谱里看
多智能体「意见不合怎么办」这条线，站点上月刚聊过 1202 那篇贝叶斯逆向推理：它认为分歧往往源于各自默认了不同前提，解法是把前提反推出来对齐。两篇治的不是一种病——1202 治的是「前提分歧」，本文治的是「表达与从众偏见」；一个往前提走，一个往表述走。真要叠着用，逻辑上也顺：先归一表述，再反推前提。
往聚合方法的大谱系里放，它的位置在「非 oracle」一档：不偷看各模型在哪些题上更强，纯靠运行时信号判断。论文报告在三个数学推理基准、四种异构模型组合上，平均准确率与 token 效率都优于同类非 oracle 对照，并且能原样叠在多智能体辩论与 Mixture-of-Agents 之上，不改它们各自的交互与合成过程——这是个运行时插件，不是另起炉灶的新训练流程。
几盆该浇的冷水
数学推理基准是有标准答案的考场，「换边=不可靠」这个读出在开放任务上是否成立，论文没有回答——写文案、定方案这类没有裁判的分歧里，少数派位置可能恰恰是洞见。其次，风格归一化会丢信息：推理长度与自信度有时本身就是质量信号，一刀切抹平可能把有用的噪声一起扔掉。再者，注入招依赖「初选答案」这个产物，聚合器随机性一大，换不换边就带上了掷骰子的成分。四位作者、预印本、摘要页未提代码发布，结论先停在「值得复现」一侧。
给正在跑多智能体辩论或专家混合的团队一个零成本实验：让聚合器对初选答案做一次换位陈述——假装自己站到对面，把对方的论据认真讲一遍，再看结论是否翻转。翻转频繁的题，就是你们系统里确定性最稀薄的那部分，比任何投票计数都更早暴露弱点。