🤖 machine learning

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

Este artículo introduce el Tensor de Contagio y el Factor de Amplificación de Acoplamiento (CAF) como un marco cuantitativo para medir y falsar el acoplamiento de la distribución de salida entre agentes, modalidades y tiempo en sistemas de LLM multiagente, validado mediante simulaciones y experimentos con APIs reales que distinguen los efectos de acoplamiento genuinos de los artefactos de diseño.

Autores originales: Zewen Liu

Publicado 2026-06-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zewen Liu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina una habitación llena de personas (agentes de IA) hablando entre sí. A veces, empiezan a pensar de la misma manera. A veces, empiezan a decir lo mismo. A veces, si les muestras una imagen en lugar de solo texto, pueden reaccionar de una forma totalmente diferente y más caótica.

Durante mucho tiempo, los científicos que estudiaban estos grupos de IA tuvieron un problema: podían ver que algo estaba sucediendo, pero no podían medir exactamente cuánto estaban "contagiándose" los agentes del comportamiento de los demás. Era como intentar describir el clima diciendo "se siente tormentoso" sin un termómetro.

Este artículo presenta un nuevo "termómetro" llamado el Tensor de Contagio y una lectura específica llamada el Factor de Amplificación de Acoplamiento (CAF). Así es como funciona, desglosado de forma sencilla:

1. El "Tensor de Contagion" (El mapa 3D)

Piensa en el Tensor de Contagio como una gigantesca hoja de cálculo en 3D.

Un lado rastrea diferentes tipos de entrada (Texto vs. Imágenes).
Otro lado rastrea cuántos agentes hay en la habitación.
El tercer lado rastrea el tiempo (cuánto tiempo han estado hablando).

Cada celda de esta hoja de cálculo mide qué tanto se ha desviado la respuesta de una IA de ser "aleatoria" o "neutral". Si una IA empieza a inclinarse fuertemente hacia un tipo de respuesta, esa celda se ilumina. Este mapa permite a los investigadores ver exactamente dónde y cuándo está ocurriendo el "contagio".

2. El "CAF" (La lectura del termómetro)

A partir de este mapa 3D, los autores crearon un número simple llamado CAF (Factor de Amplificación de Acoplamiento). Piensa en esto como un "Índice de Caos".

CAF = 1.0: Los agentes actúan de forma independiente. Son como extraños en una biblioteca; no se influyen entre sí.
CAF > 1.0: Los agentes están amplificando la rareza de los demás. Son como un grupo de amigos en una fiesta que empiezan a reírse cada vez más fuerte juntos.
CAF < 1.0: Los agentes se están calmando y volviéndose idénticos. Son como un coro que ha practicado tanto que todos suenan exactamente igual.

3. El gran descubrimiento: "El truco de magia"

Los autores realizaron un experimento masivo con 8 escenarios diferentes. Al principio, los resultados parecían increíbles:

Cuando los agentes hablaban mediante Texto, se calmaban (CAF < 1).
Cuando los agentes miraban Imágenes, se volvían locos y se amplificaban entre sí (CAF > 1).

Parecía que las imágenes eran un "superconector" que hacía que los agentes de IA se influyeran entre sí con mucha más fuerza que el texto.

Pero entonces, desenchufaron todo.

Los autores se dieron cuenta de que su simulación computacional tenía un pequeño "error" (un módulo de código específico) que trataba las imágenes de forma distinta al texto. Apagaron este módulo y repitieron el experimento.

El Resultado: ¡El efecto del "Superconector de Imágenes" desapareció! Los resultados de las imágenes cayeron de "locos" (1.40) a "calmados" (0.87), exactamente igual que los resultados del texto.

La Lección: La "magia" no era real. Era un fallo de diseño en su propia simulación. Esto demuestra el valor de su nueva herramienta: les permitió detectar un descubrimiento falso antes de que alguien más lo hiciera.

4. Probando con IA Real (La prueba de realidad)

Para asegurarse de que su herramienta no era solo buena para encontrar errores falsos, la probaron con modelos de IA reales (DeepSeek y GPT-4o-mini) utilizando APIs reales.

Resultados de Texto: Cuando agentes de IA reales hablaban mediante texto, se mantenían independientes (CAF ≈ 1.0). Si tenían personalidades diversas, en realidad se volvían más similares (CAF < 1), como un coro encontrando la armonía.
Resultados de Imágenes: Cuando usaron una IA real con capacidades de visión reales (mirando imágenes JPEG reales), el efecto del "superconector" reapareció. El CAF saltó a 1.72.

Esto confirmó que, aunque la simulación tenía un error, la idea era real: Las imágenes reales hacen que los agentes de IA se influyan entre sí con mucha más fuerza que el texto.

5. Por qué esto importa (El protocolo de "Auditoría")

La parte más importante de este artículo no son solo los números; es el método.

Los autores proponen una nueva regla para toda la investigación de IA: El Protocolo de Ablación.
Antes de afirmar que un nuevo comportamiento de la IA es "emergente" (una propiedad mágica del grupo), debes:

Identificar la parte específica del código que podría estar causando esto.
Apagar esa parte (OFF).
Ejecutar la prueba de nuevo.
Si el efecto desaparece, admite que fue solo un artefacto de diseño, no magia.

Resumen

Este artículo le entrega al campo de la IA una regla para medir cuánto se influyen los agentes de IA entre sí. Usó esa regla para encontrar un descubrimiento falso en su propia simulación (demostrando que la regla funciona) y luego la usó para encontrar un descubrimiento real: Las imágenes reales hacen que los agentes de IA "atrapen" el comportamiento de los demás mucho más rápido que el texto.

Es un llamado a los científicos para que dejen de suponer y empiecen a medir, y para que siempre comprueben si sus propias herramientas están creando las ilusiones que ven.

Resumen Técnico: El Tensor de Contagio y el Factor de Amplificación de Acoplamiento

Planteamiento del Problema
A medida que los sistemas de modelos de lenguaje extensos (LLM) multi-agente se vuelven prevalentes en conjuntos de chatbots, sistemas de recuperación aumentada (RAG) y simulaciones sociales, sus distribuciones de salida evolucionan mediante el intercambio repetido. Existe una brecha crítica en el campo: si bien existen sondas de sesgo de modelo único (p. ej., BBQ, StereoSet) y estudios de caso cualitativos, no existe un marco de medición principista y reutilizable para cuantificar cómo las distribuciones de salida se acoplan a través de modalidades, agentes y tiempo. Específicamente, la comunidad carece de una métrica para determinar si la adición de una segunda modalidad amplifica el acoplamiento, si la memoria aumenta la persistencia temporal, o si la calibración en un subconjunto de condiciones garantiza la validez en otras. Sin tal marco, las afirmaciones sobre comportamientos emergentes o propagación de sesgos siguen siendo cualitativamente descriptivas y cuantitativamente no falsables.

Metodología: El Tensor de Contagio y la familia CAF
El artículo introduce el Tensor de Contagio ( $T \in \mathbb{R}^{M \times N \times T}$ ), un marco de medición donde cada celda $T[m, n, t]$ representa la Divergencia de Jensen-Shannon (JSD) entre la distribución de salida de un agente ( $w_{n,t}^m$ ) y una distribución de referencia uniforme ( $w_0$ ). Este tensor captura la deriva de la distribución a través de modalidades ( $M$ ), número de agentes ( $N$ ) y pasos de tiempo ( $T$ ).

A partir de este tensor, los autores derivan el Factor de Amplificación de Acoplamiento (CAF), una familia de métricas basadas en ratios definidas como:
$CAF = \frac{E[T_{condición}]}{E[T_{línea\_de\_base}]}$
donde $E[T]$ es la esperanza de las entradas del tensor. El CAF es un ratio adimensional referenciado a una línea de base, donde:

$CAF > 1$: Indica un acoplamiento amplificado.
$CAF = 1$: Indica una superposición independiente.
$CAF < 0$: Indica convergencia de salida (homogeneización).

El marco unifica cuatro métricas previamente conflictivas (denotadas por símbolos $\Gamma$ en trabajos previos) en una sola notación con cuatro variantes:

$CAF_{base}$ : Referencia de ejes completos (modalidad $\times$ número de agentes $\times$ tiempo).
$CAF_{net}$ : Acoplamiento a nivel de agente (reemplazando las afirmaciones de radio espectral).
$CAF_{cross}$ : Acoplamiento cross-modal (entre modalidades).
$CAF_{temp}$ : Persistencia temporal.

Para asegurar el rigor, el artículo emplea un protocolo de ablación de modalidad: identificar módulos de código que podrían producir efectos por diseño, desactivarlos manteniendo fijos todas las semillas y parámetros, y volver a medir. Esto distingue el acoplamiento genuino de los artefactos de diseño.

Resultos Clave
El marco fue instanciado en un diseño de simulación factorial completo de $2 \times 2 \times 2$ y validado contra experimentos reales de API (DeepSeek-Chat y GPT-4o-mini).

Detección de Artefactos de Simulación: Bajo los parámetros por defecto, las condiciones de imagen parecieron exhibir un acoplamiento superlineal ( $CAF \approx 1.40$ ) mientras que las condiciones de texto fueron sublineales ( $CAF \approx 0.84$ ). Sin embargo, al desactivar el módulo único responsable de los cambios estructurales y de ruido específicos de la imagen, todas las condiciones de imagen colapsaron a valores sublineales ( $CAF \approx 0.87$ ), con un cambio medio de $\Delta = -0.53$ . Las condiciones de texto permanecieron sin cambios. Esto demostró que la aparente "bifurcación de la modalidad" era un artefacto del módulo de perturbación de la simulación, no una propiedad inherente de los agentes.
Validación de API Real:
- Condiciones de Texto: Bajo personas uniformes, la comunicación BOUNDARY SYNC de solo texto produjo un $CAF \approx 1.0$ tanto en DeepSeek-Chat como en GPT-4o-mini, indicando que no hay un acoplamiento medible respecto al aislamiento.
- Diversidad de Personas: Cuando se asignaron diversas personas a los agentes, las condiciones de texto convergieron ($CAF = 0.88$), indicando una homogeneización de la salida en lugar de una divergencia.
- Visión Real: Una comparación intra-modelo en GPT-4o-mini reveló que las entradas de visión real (C5) produjeron un efecto superlineal estadísticamente significativo ($CAF = 1.72$, IC 95% [1.700, 1.733]), contrastando con las condiciones de solo texto ($CAF = 1.02$). Esto valida la predicción cualitativa de la simulación de que las modalidades de imagen impulsan el acoplamiento, aunque la magnitud difiere debido a la inyección artificial de la simulación.
Comparación de Métricas: El artículo muestra que métricas más simples (ratios de entropía, ratios de varianza) e información mutua por pares no logran distinguir entre las condiciones de texto e imagen, mientras que el CAF logra capturar las diferencias estructurales a nivel de categoría.

Significancia y Reivindicaciones
El artículo realiza dos contribuciones distintas, enmarcadas modestamente como provisión de herramientas para la medición y auditoría, en lugar de reclamar el descubrimiento de un fenómeno emergente específico:

A Nivel de Instrumento de Medición: La familia CAF proporciona la primera métrica cuantitativa y falsable para el acoplamiento de la distribución de salida. Al utilizar un ratio referenciado a una línea de base, permite a los investigadores determinar si los efectos observados son genuinos o artefactos del propio instrumento de medición.
A Nivel Metodológico: El artículo propone un protocolo de ablación transferible como un estándar de control de calidad para las simulaciones de agentes LLM multi-agente. Este protocolo requiere que los investigadores identifiquen, desactiven y vuelvan a medir módulos específicos para verificar que los supuestos comportamientos emergentes no sean artefactos de diseño.

Los autores argumentan que la necesidad urgente del campo no es otra métrica, sino una disciplina para verificar que los efectos de acoplamiento observados sean genuinos. El valor del marco se demuestra por su capacidad para revelar que "descubrimientos" previos (como la bifurcación de la modalidad) eran artefactos, y por su aplicación exitosa en la detección de un efecto de acoplamiento superlineal genuino en modelos reales con capacidad de visión. El artículo concluye que hacer que un fenómeno sea medible —y proporcionar las herramientas para auditar esas mediciones— es una contribución científica en sí misma, incluso cuando las mediciones iniciales revelan más sobre los instrumentos que sobre el fenómeno.