Разнообразие агентов превосходит масштабирование: почему 2 разных подхода работают лучше 16 одинаковых

Два LLM-агента с разными настройками стабильно обгоняют 16 агентов с одинаковой конфигурацией. Метод позволяет получать более качественные решения сложных задач не увеличивая число запросов к модели, а меняя их характер — разные роли, модели или инструменты вместо повторения одного и того же промпта. Фишка: система считает не число попыток (n), а число независимых каналов информации (K). Когда множишь одинаковых агентов, K растёт медленно и быстро упирается в потолок — агенты генерируют коррелированные выводы, по сути дублируя друг друга. Разнообразие разрывает корреляцию: вместо 10 вариаций одной логики получаешь 3-4 по-настоящему независимых взгляда.