兼听则明：基于多样性感知消息保留的高效多智能体辩论

多智能体辩论通过迭代通信提升大语言模型推理质量，但全量广播消息会引入噪声与冗余。现有方法依赖不确定性估计过滤低置信度响应，却因校准偏差和阈值敏感而不可靠。本文提出多样性感知保留（DAR）框架，在每轮辩论中选择相互分歧最大且偏离多数投票的子集进行广播。该机制通过显式索引保留原始消息，确保分歧真实性。实验表明，选择性消息传播显著提升了辩论性能，尤其在智能体规模扩大时有效抑制了噪声积累。