Le reti multi-agente LLM affrontano rischi di deriva semantica

Un nuovo studio su arXiv mette in discussione le ipotesi sull'efficienza comunicativa nei framework diagnostici multi-agente basati su LLM. I ricercatori hanno mappato le traiettorie di incertezza in uno spazio di embedding Bio_ClinicalBERT a 768 dimensioni utilizzando reti Barabási–Albert (BA) e Watts–Strogatz (WS). Hanno scoperto che i colli di bottiglia strutturali compromettono la sicurezza diagnostica, con matrici di transizione di fase che mostrano come cliques dense localizzate confinino i dati allucinati, impedendo il consenso globale. Il sistema raggiunge una soglia di saturazione entropica permanente di H∞ ≈ 5.947, con un grave degrado terminale della similarità coseno.