🤖 machine learning

The Contagion Tensor: A Framework for Measuring Output-Distribution Coupling in Multi-Agent LLM Systems -- and Auditing the Claims It Enables

Dieses Paper führt den Contagion Tensor und den Coupling Amplification Factor (CAF) als ein quantitatives Framework zur Messung und Falsifizierung der Kopplung von Output-Verteilungen über Agenten, Modalitäten und Zeitpunkte in Multi-Agenten-LLM-Systemen ein, validiert durch Simulationen und Real-API-Experimente, die echte Kopplungseffekte von Design-Artefakten unterscheiden.

Ursprüngliche Autoren: Zewen Liu

Veröffentlicht 2026-06-30

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Zewen Liu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Raum voller Menschen (KI-Agenten) vor, die miteinander sprechen. Manchmal beginnen sie, gleich zu denken. Manchmal beginnen sie, das Gleiche zu sagen. Manchmal, wenn man ihnen ein Bild statt nur Text zeigt, könnten sie völlig anders, auf eine chaotischere Weise reagieren.

Lange Zeit hatten Wissenschaftler, die diese KI-Gruppen untersuchten, ein Problem: Sie konnten sehen, dass etwas geschah, aber sie konnten nicht genau messen, wie viel die Agenten das Verhalten der jeweils anderen „einfingen“. Es war, als versuche man, das Wetter zu beschreiben, indem man sagt „es fühlt sich stürmisch an“, ohne ein Thermometer zu besitzen.

Dieses Paper stellt ein neues „Thermometer“ namens Contagion Tensor (Ansteckungs-Tensor) und einen spezifischen Messwert namens Coupling Amplification Factor (CAF – Kopplungsverstärkungsfaktor) vor. So funktioniert es, vereinfacht erklärt:

1. Der „Contagion Tensor“ (Die 3D-Karte)

Stellen Sie sich den Contagion Tensor wie eine riesige, 3D-gestützte Tabelle vor.

Eine Seite verfolgt verschiedene Arten von Inputs (Text vs. Bilder).
Eine andere Seite verfolgt, wie viele Agenten im Raum sind.
Die dritte Seite verfolgt die Zeit (wie lange sie schon miteinander sprechen).

Jede einzelne Zelle in dieser Tabelle misst, wie sehr die Antwort eines KI-Agenten von einer „zufälligen“ oder „neutralen“ Antwort abweicht. Wenn ein KI-Agent stark zu einer bestimmten Art von Antwort neigt, leuchtet diese Zelle auf. Diese Karte ermöglicht es Forschern, genau zu sehen, wo und wann die „Ansteckung“ stattfindet.

2. Der „CAF“ (Die Thermometer-Ablesung)

Aus dieser 3D-Karte haben die Autoren eine einfache Zahl erstellt, den CAF (Coupling Amplification Factor). Denken Sie an den CAF als einen „Chaos-Score“.

CAF = 1,0: Die Agenten handeln unabhängig voneinander. Sie sind wie Fremde in einer Bibliothek; sie beeinflussen sich nicht gegenseitig.
CAF > 1,0: Die Agenten verstärken die „Verrücktheit“ der anderen. Sie sind wie eine Gruppe von Freunden auf einer Party, die gemeinsam immer lauter zu lachen beginnen.
CAF < 1,0: Die Agenten werden ruhiger und werden identisch. Sie sind wie ein Chor, der so viel geübt hat, dass alle exakt gleich klingen.

3. Die große Entdeckung: „Der Zaubertrick“

Die Autoren führten ein massives Experiment mit 8 verschiedenen Szenarien durch. Zuerst sahen die Ergebnisse erstaunlich aus:

Wenn die Agenten über Text kommunizierten, wurden sie ruhiger (CAF < 1).
Wenn die Agenten Bilder betrachteten, wurden sie wild und verstärkten sich gegenseitig (CAF > 1).

Es sah so aus, als seien Bilder ein „Super-Verbinder“, der KI-Agenten dazu bringt, sich viel stärker gegenseitig zu beeinflussen als Text.

Doch dann zogen sie den Stecker.

Den Autoren wurde klar, dass ihre Computersimulation einen winzigen „Glitch“ (ein spezifisches Codemodul) hatte, der Bilder anders behandelte als Text. Sie schalteten dieses Modul AUS und wiederholten das Experiment.

Das Ergebnis: Der „Bild-Super-Verbinder“-Effekt verschwand! Die Bild-Ergebnisse fielen von „wild“ (1,40) auf „ruhig“ (0,87), genau wie die Text-Ergebnisse.

Die Lektion: Die „Magie“ war nicht echt. Es war ein Designfehler in ihrer eigenen Simulation. Dies beweist den Wert ihres neuen Werkzeugs: Es ermöglichte ihnen, eine falsche Entdeckung aufzudecken, bevor jemand anderes sie entdeckte.

4. Test mit echter KI (Der Realitätscheck)

Um sicherzustellen, dass ihr Werkzeug nicht nur gut darin war, falsche Glitches zu finden, testeten sie es an echten KI-Modellen (DeepSeek und GPT-4o-mini) unter Verwendung echter APIs.

Text-Ergebnisse: Wenn echte KI-Agenten über Text kommunizierten, blieben sie unabhängig (CAF ≈ 1,0). Wenn sie unterschiedliche Persönlichkeiten hatten, wurden sie tatsächlich ähnlicher (CAF < 1), wie ein Chor, der Harmonie findet.
Bild-Ergebnisse: Wenn sie eine echte KI mit tatsächlichen Sehfähigkeiten verwendeten (die echte JPEG-Bilder betrachtete), tauchte der „Super-Verbinder“-Effekt wieder auf. Der CAF sprang auf 1,72.

Dies bestätigte, dass während die Simulation einen Glitch hatte, die Idee real war: Echte Bilder führen dazu, dass KI-Agenten sich gegenseitig viel stärker beeinflussen als Text.

5. Warum das wichtig ist (Das „Audit“-Protokoll)

Der wichtigste Teil dieses Papers ist nicht nur die Zahlen; es ist die Methode.

Die Autoren schlagen eine neue Regel für die gesamte KI-Forschung vor: Das Ablations-Protokoll.
Bevor man behauptet, dass ein neues KI-Verhalten „emergent“ (eine magische Eigenschaft der Gruppe) ist, muss man:

Den spezifischen Code-Teil identifizieren, der dies verursachen könnte.
Diesen Teil AUSSCHALTEN.
Den Test erneut durchführen.
Wenn der Effekt verschwindet, muss man zugeben, dass es nur ein Design-Artefakt war und keine Magie.

Zusammenfassung

Dieses Paper gibt dem Feld der KI ein Lineal, um zu messen, wie sehr KI-Agenten einander beeinflussen. Es nutzte dieses Lineal, um eine falsche Entdeckung in ihrer eigenen Simulation zu finden (was beweist, dass das Lineal funktioniert), und nutzte es dann, um eine echte Entdeckung zu machen: Echte Bilder lassen KI-Agenten das Verhalten der anderen viel schneller „einfangen“ als Text.

Es ist ein Aufruf an Wissenschaftler, aufzuhören zu raten und anfangen zu messen – und immer zu prüfen, ob ihre eigenen Werkzeuge die Illusionen erschaffen, die sie sehen.

Technische Zusammenfassung: Der Kontagions-Tensor und der Kopplungsverstärkungsfaktor

Problemstellung
Da Multi-Agenten-Systeme auf Basis von Large Language Models (LLMs) in Chatbot-Ensembles, Retrieval-Augmented-Systemen und sozialen Simulationen zunehmend verbreitet sind, entwickeln sich deren Ausgabeverteilungen durch wiederholten Austausch stetig weiter. Es besteht eine kritische Lücke im Fachgebiet: Während Einzelmodell-Bias-Tests (z. B. BBQ, StereoSet) und qualitative Fallstudien existieren, fehlt ein prinzipielles, wiederverwendbares Messframework, um zu quantifizieren, wie Ausgabeverteilungen über Modalitäten, Agenten und die Zeit hinweg koppeln. Speziell fehlt der Community ein Metrik-Ansatz, um zu bestimmen, ob das Hinzufügen einer zweiten Modalität die Kopplung verstärkt, ob das Gedächtnis die zeitliche Persistenz erhöht oder ob die Kalibrierung unter einer Teilmenge von Bedingungen die Validität auf anderen Bedingungen garantiert. Ohtlne ein solches Framework bleiben Behauptungen über emergente Verhaltensweisen oder Bias-Propagation rein qualitativ deskriptiv und quantitativ nicht falsifizierbar.

Methodik: Der Kontagions-Tensor und die CAF-Familie
Das Paper führt den Kontagions-Tensor ( $T \in \mathbb{R}^{M \times N \times T}$ ) ein, ein Messframework, bei dem jede Zelle $T[m, n, t]$ die Jensen-Shannon-Divergenz (JSD) zwischen der Ausgabeverteilung eines Agenten ( $w_{n,t}^m$ ) und einer uniformen Referenzverteilung ( $w_0$ ) darstellt. Dieser Tensor erfasst die Drift der Verteilung über Modalitäten ( $M$ ), Agenten ( $N$ ) und Zeitschritte ( $T$ ) hinweg.

Aus diesem Tensor leiten die Autoren den Kopplungsverstärkungsfaktor (Coupling Amplification Factor, CAF) ab, eine Familie von verhältnisbasierten Metriken, definiert als:
$CAF = \frac{E[T_{condition}]}{E[T_{baseline}]}$
wobei $E[T]$ der Erwartungswert der Tensoreinträge ist. CAF ist ein dimensionsloser, auf einer Baseline basierender Quotient, wobei gilt:

$CAF > 1$: Deutet auf verstärkte Kopplung hin.
$CAF = 1$: Deutet auf unabhängige Superposition hin.
$CAF < 1$: Deutet auf Konvergenz der Ausgaben (Homogenisierung) hin.

Das Framework vereinigt vier zuvor widersprüchliche Metriken (bezeichnet mit $\Gamma$ -Symbolen in vorangegangener Literatur) in einer einheitlichen Notation mit vier Varianten:

$CAF_{base}$ : Vollständige Achsenreferenz (Modalität $\times$ Agentenanzahl $\times$ Zeit).
$CAF_{net}$ : Kopplung auf Agentenebene (ersetzt Ansprüche bezüglich des Spektralradius).
$CAF_{cross}$ : Cross-modale Kopplung.
$CAF_{temp}$ : Temporale Persistenz.

Um die Stringenz zu gewährleisten, nutzt das Paper ein Modalitäts-Ablationsprotokoll: Dabei werden Code-Module identifiziert, die per Design Effekte hervorrufen könnten, diese deaktiviert (wobei alle Seeds und Parameter konstant gehalten werden) und anschließend erneut gemessen. Dies unterscheidet echte Kopplung von Design-Artefakten.

Kernergebnisse
Das Framework wurde in einem $2 \times 2 \times 2$ voll-faktoriellen Simulationsdesign instanziiert und gegen reale API-Experimente (DeepSeek-Chat und GPT-4o-mini) validiert.

Detektion von Simulationsartefakten: Unter Standardparametetern zeigten Bildbedingungen eine superlineare Kopplung ( $CAF \approx 1,40$ ), während Textbedingungen sublinear waren ( $CAF \approx 0,84$ ). Durch Deaktivierung des einzelnen Moduls, das für bildspezifisches Rauschen und strukturelle Verschiebungen verantwortlich war, kollabierten alle Bildbedingungen auf sublineare Werte ( $CAF \approx 0,87$ ), mit einer mittleren Verschiebung von $\Delta = -0,53$ . Die Textbedingungen blieben unverändert. Dies demonstrierte, dass die scheinbare „Modalitäts-Bifurkation“ ein Artefakt des Perturbationsmoduls der Simulation war und nicht eine inhärente Eigenschaft der Agenten.
Real-API-Validierung:
- Text-Bedingungen: Unter uniformen Personas erzeugte die rein textbasierte BOUNDARY SYNC Kommunikation in sowohl DeepSeek-Chat als auch GPT-4o-mini ein $CAF \approx 1,0$ , was auf keine messbare Kopplung im Vergleich zur Isolation hindeutet.
- Persona-Diversität: Als Agenten diversen Personas zugewiesen wurden, konvergierten die Text-Bedingungen ($CAF = 0,88$), was auf eine Homogenisierung der Ausgaben statt einer Divergenz hindeutet.
- Reale Vision: Ein innerhalb des Modells durchgeführter Vergleich auf GPT-4o-mini zeigte, dass reale Vision-Inputs (C5) einen statistisch signifikanten superlinearen Effekt erzeugten ($CAF = 1,72$, 95% KI [1,700, 1,733]), im Gegensatz zu den Text-Bedingungen ($CAF = 1,02$). Dies validiert die qualitative Vorhersage der Simulation, dass Bildmodalitäten die Kopplung antreiben, wenngleich die Magnitude aufgrund der künstlichen Injektion variiert.
Metrik-Vergleich: Das Paper zeigt, dass einfachere Metriken (Entropieverhältnisse, Varianzverhältnisse) und paarweise Mutual Information nicht zwischen Text- und Bildbedingungen unterscheiden können, während CAF die kategorischen strukturellen Unterschiede erfolgreich erfasst.

Bedeutung und Ansprüche
Das Paper leistet zwei distinkte Beiträge, die bescheiden als Werkzeuge zur Messung und Prüfung (Auditing) statt als Entdeckung eines spezifischen emergenten Phänomens formuliert sind:

Auf Ebene des Messinstruments: Die CAF-Familie bietet das erste quantitative, falsifizierbare Maß für die Kopplung von Ausgabeverteilungen. Durch die Verwendung eines auf einer Baseline basierenden Verhältnisses ermöglicht sie es Forschern zu bestimmen, ob beobachtete Effekte echt oder Artefakte des Messinstruments selbst sind.
Auf methodischer Ebene: Das Paper schlägt ein transferierbares Ablationsprotokoll als Standard-Qualitätstor für Multi-Agenten-LLM-Simulationen vor. Dieses Protokoll erfordert von Forschern, spezifische Module zu identifizieren, zu deaktivieren und erneut zu messen, um zu verifizieren, dass behauptete emergente Verhaltensweisen keine Design-Artefakte sind.

Die Autoren argumentieren, dass der dringende Bedarf des Feldes nicht in einer weiteren Metrik liegt, sondern in einer Disziplin zur Verifizierung, ob beobachtete Kopplungseffekte echt sind. Der Wert des Frameworks wird durch seine Fähigkeit demonstriert, aufzuzeigen, dass frühere „Entdeckungen“ (wie die Modalitäts-Bifurkation) Artefakte waren, und durch seine erfolgreiche Anwendung bei der Detektion eines echten superlinearen Kopplungseffekts in realen vision-fähigen Modellen. Das Paper schließt mit der Feststellung, dass ein Phänomen messbar zu machen – und die Werkzeuge bereitzustellen, um diese Messungen zu prüfen – an sich ein wissenschaftlicher Beitrag ist, selbst wenn die ersten Messungen mehr über die Instrumente als über das Phänomen selbst aussagen.