打破鞅诅咒：经由不对称认知势能的多Agent辩论

多Agent辩论（MAD）已成为增强大型语言模型推理的有前景范式。然而，近期工作揭示了一个局限：标准MAD无法将信念正确性提升到超出多数投票的水平；我们称之为鞅诅咒（Martingale Curse）。这一诅咒源于相关误差使Agent收敛到错误共识，辩论只是强化集体错误而非过滤噪声。我们提出AceMAD，通过利用不对称认知势能打破鞅诅咒，将MAD从随机游走转变为具有正漂移的定向收敛过程。通过同行预测机制，Agent预测同伴的信念分布，揭示不对称认知潜力：持有真相者不仅知道正确答案，还能预判群体的误解，而幻觉中的多数派对自身集体错误视而不见。这种不对称形成一个势能差，我们用严格适当的评分规则对其进行量化。我们证明这种认知潜力表现为信息论优越性，并在非线性聚合下转化为趋向真相的下鞅漂移，直接打破鞅诅咒。在六个基准的困难子集上的实验表明，即使初始多数错误，AceMAD也能恢复稀疏的真相信号，显著优于基线方法。