多样证据，更佳预测：信息不对称下的多智能体审议

多智能体系统常用于事件预测，但现有方法忽视信息分配设计，导致同质化证据引发从众而非信念修正。本文提出设计信息不对称，将证据划分为共享公共子集与互斥私有子集，使各智能体持有独家知识并通过审议交流。理论证明该分解降低误差相关性。提出的 InfoDelphi 框架结合相关性感知路由、基于理由的迭代审议及置信度加权聚合。在 PolyGym 基准测试中，其 Brier 分数和准确率显著优于基线，证实输入多样性是有效多智能体推理的关键。