Multi-Agent Debate: разнообразие начальных ответов + коммуникация уверенности

Парадокс: Multi-Agent Debate (несколько копий LLM спорят в раундах) часто работает хуже простого голосования большинством, несмотря на трату в 3-5 раз больше токенов. Две причины провала: все агенты — копии одной модели → генерируют похожие ответы → сходятся к начальному большинству даже если оно ошибочно (эхо-камера). Плюс агенты не сообщают уверенность и не взвешивают чужие аргументы по уверенности. Два простых фикса решают обе проблемы: diversity-aware initialization (сгенерируй 10 кандидатов, выбери 5 самых разных для дебатов) + confidence-modulated debate (агенты выражают уверенность 0-10 и взвешивают чужие слова по уверенности при пересмотре). Математически доказано: без уверенности дебаты = мартингал (точность не растёт в среднем), с уверенностью = субмартингал (точность систематически растёт с каждым раундом).