该论文研究了异构大语言模型（LLM）在多智能体辩论中面对恶意的对手时的表现。核心问题是：异构的同伴在传递纠正信息的同时也可能传递对抗性影响，哪一方占主导？作者通过跟踪诚实代理（defender）的修订行为来测量：他们改变答案的频率，以及改变是纠正性的还是有害的。实验比较了同质基线（全诚实）、诚实混合（诚实+诚实异构）和恶意混合（诚实+恶意异构）三种面板，以及受污染面板（已有恶意同族peer）的情况。使用四个模型家族（如Llama-3.1-70B、GPT-4等）和三个推理基准（如MATH-hard）。主要发现：（1）诚实的异构peer显著降低有害修订率（对于Llama-3.1-70B在MATH-hard上，从同质面板的89%降至35%），而恶意的异构peer将其推高至90%。（2）条件概率率对弱defender隐藏伤害，但辩论结束时的翻转率暴露了实际损害。（3）该模式在模型家族和基准上符号一致，幅度随defender-benchmark组合变化。（4）当已有恶意同族peer时，加入诚实的异构peer能降低有害修订率，并能降低初始正确答案的丢失率（翻转率从31%降至6%）。结论：LLM的异构性不仅是一个攻击面，在已有对手时也可以成为一种防御机制。该工作为多智能体系统中的鲁棒性设计提供了新视角。