输出分散会带来认知修订吗？机器群体的黑盒耦合诊断

集体智能研究将分歧视为证据，表明知识基础的多样性：如果代理表达不同的观点，则群体应保留修订能力。在LLM群体中，这种替代品可能失效：代理可以产生看似多元的观点而保持相同的结论。我们实施数字化分散-修订耦合：干预措施增加集体输出空间中的分散度，并伴随真正的修订而非前提保真改写。诊断是黑盒：它仅基于生成的文本进行操作且不涉及模型生成内部表示。两个渠道被独立测量：一个输出通道，Coherence Index (CI)验证了干预改变了输出分散度；另一个认知通道，每轮立场注释，衡量集体是否修订。我们提议CI与Meta-Predictive Clarity System (MPCS)结合使用，当输出过度收敛时插入Re-Differentiation Protocol (RDP)，作为估算这种耦合状态的可复用方法。我们在两个配置（gpt-4o-mini和gemini-2.5-flash；每个条件310对配对实验）中评估了五代理群体。在gpt-4o-mini上，条件性分歧提高了虚假前提恢复率+17.7点（p<1e-6），而静态角色多样性损害恢复率-8.1点（p=.007）。在gemini-2.5-flash上，相同的干预措施在相同预算下没有收益（26.1% vs 27.1%，p=.84），尽管有验证的分散度下降；两个治疗效果彼此不同（z=3.79，p<.001）。机制标签显示，gemini通过内部框架分歧保留虚假前提：94%标记后的回复改写而非让步（vs 24%在GPT上）。我们建议同时报告每干预的立场变化和前提保真率。