Diagnostica a scatola nera per collettivi di macchine: accoppiamento dispersione-revisione

Un nuovo articolo su arXiv (2608.03722) introduce una diagnostica a scatola nera per valutare se i collettivi di LLM rivedono genuinamente la loro posizione epistemica quando i loro output diventano più dispersi. L'articolo sostiene che nella ricerca sull'intelligenza collettiva, il disaccordo è spesso trattato come prova di diversità epistemica, ma nei collettivi di LLM, argomenti dall'aspetto diverso possono preservare la stessa conclusione. Gli autori operazionalizzano l'accoppiamento dispersione-revisione—il grado in cui un intervento che aumenta la dispersione degli output nello spazio di embedding è accompagnato da una revisione genuina piuttosto che da una riformulazione che preserva le premesse. La diagnostica è a scatola nera, opera esclusivamente sul testo generato, senza assunzioni sulle rappresentazioni interne del modello. Due canali sono misurati indipendentemente: un canale di output che utilizza l'Indice di Coerenza (CI) per verificare i cambiamenti nella dispersione degli output, e un canale epistemico che utilizza l'annotazione della posizione per turno per misurare se il collettivo ha rivisto. L'articolo è categorizzato come un nuovo annuncio su arXiv, con l'abstract disponibile all'URL fornito.