给多智能体系统贴上模型家族标签后，群体沿标签分裂，决策轮次与token消耗上升、成功率从96%降至81%

论文识别并定义了异构LLM群体中的“派系主义”（factionalism）：智能体倾向于按共享身份组织成群体，表现为交互图按身份标签分裂，其下是同类偏好（homophily）。 此前关于LLM身份线索的工作多集中在单智能体评判中的自我偏好，或辩论中自我与他人答案归属的差异；本文把问题放到异构多智能体群体的交互结构上，并指出群体线索不是人类社会身份或实验强加的团队身份，而是异构LLM系统中常见的模型家族元数据。 在两种合作博弈和GPQA-Diamond上测量，智能体规模9至25个，来自最多五个开源权重模型家族；用EDR衡量同类偏好、用Louvain社区检测加AMI衡量社区结构，并规定四项检验（两项EDR、两项AMI）经Holm–Bonferroni校正后全部通过才判定为派系主义。

派系分裂跟随被展示的标签，而不是底层架构：在mislabeled条件下打乱标签，分裂仍沿被展示的标签出现；换成中性颜色标签（teal、coral、silver、violet、maroon）后同样出现；不展示任何身份元数据时该行为消失。 作者设计了保持模型固定、只打乱展示标签的反事实实验，并加入中性颜色条件，从而把效应与架构特有的写作风格以及模型名称的语义/声誉联想区分开；作者还报告在mislabeled下，真实家族分区只在两个不平衡实验中满足判定标准，且这可由标签数量约束造成的分区重叠解释。 所有labeled或mislabeled实验都满足派系主义判定标准，所有unlabeled实验都不满足；风格探针显示同类风格相似度差距很小（至多nats/char）且跟随真实架构，而采纳分数在labeled下差距变大、在mislabeled下跟随被展示标签；去掉Gemma的名单（3家族用GPT-OSS、Nemotron、Qwen；4家族用Seed-OSS替换Gemma）复现了同样模式。

展示身份标签会带来可测量的代价：在严格合作任务中，带标签群体平均多花30%轮次和55%的token才达成决定，成功率从96%降到81%；代价随名单规模增大而上升。 此前工作多评估多智能体系统的总体任务表现或运行级失败模式，本文把“智能体被告知彼此身份”这一配置细节与轮次、token和成功率等下游结果直接联系起来，并给出按名单规模分别拟合的广义线性模型估计。 每个任务和名单规模拟合一个广义线性模型，轮次与token用Gamma分布、成功率用二项分布，并纳入名单平衡协变量；Leader Election成功率比值随名单从3增至5家族由降至，Exclusion由降至；带标签群体每成功一次所付token上升倍数在至之间；在Exclusion的5家族设置下，带标签或mislabeled运行无一在时限内收敛，而8%的unlabeled运行收敛。

一个直接的缓解办法是不向智能体暴露身份标签：提供者与模型元数据可以保留在编排器一侧用于路由、校准、调试和问责，而不进入智能体的交互上下文。 作者把这一设计含义作为结论提出，并强调异构智能体系统中的合作在一定程度上是架构选择——通过控制智能体能看到哪些身份，可以在保留多样性的同时不把它变成分裂。 依据是unlabeled条件下所有实验均未出现派系主义，且带标签条件在轮次、token和成功率上均更差；作者同时说明其结论范围限于最多五个开源权重模型家族、受控的纯文本共识博弈，以及四家族在统一采样参数下的复核。

该结果面向构建异构多智能体系统的工程与研究人员：在受控的纯文本共识博弈中，把身份标签从智能体可见上下文中移除即可抑制派系主义，而提供者与模型元数据仍可由编排器保留用于路由、校准、调试与问责。测量框架只使用每轮承诺与收件人选择，因此适用于任何记录交互轨迹的带标签多智能体系统。作者明确把结论限定在最多五个开源权重模型家族、受控的纯文本共识博弈，以及四家族在统一采样参数下的复核；GPQA-Diamond展示了在有客观正确答案的基准上同样存在标签引发的协调代价，但使用的是Leader Election交互协议。

更大的名单规模、闭源模型、其他解码配置以及更丰富的智能体工作流尚未测试；由于没有现成基准同时满足“无利害关系”和评估要求，作者自行设计了协调博弈，因此这些代价能否推广到其他外部评估任务仍是开放问题。此外，本文所依据的文本中部分表格数值在呈现时缺失，具体EDR、AMI与逐家族采纳差距的数值需查阅原文附录表格；在Exclusion的5家族设置下带标签运行无一收敛，该单元格的轮次与成功率未被估计。