Technische Samenvatting: BOUNDARY_SYNC

Probleemstelling

Terwijl Large Language Models (LLM's) steeds vaker worden ingezet als communicerende agenten in multi-agent systemen voor taken zoals collaboratieve redenering, debat en sociale simulatie, blijft een cruciale vraag onopgelost: veroorzaakt inter-agent communicatie een convergentie van outputs naar een gehomogeniseerde consensus, waardoor de diversiteitsvoordelen van multi-agent architecturen worden ondermijnd? Hoewel gelijktijdige studies fenomenen zoals representatieve instorting, herding (kuddegedrag) en conformiteit hebben gedocumenteerd, is er een gebrek aan een gestandaardiseerd meetprotocol dat (a) communicatie isoleert als het causale mechanisme, (b) de koppelingssterkte kwantificeert op een gemeenschappelijke schaal over verschillende condities en modellen, en (c) onderscheid maakt tussen transiënte, door prompts gedreven effecten en cumulatieve opinie-updates.

Methodologie: BOUNDARY_SYNC Protocol

De auteurs introduceren BOUNDARY_SYNC, een meetprotocol ontworpen om representatieve koppeling te kwantificeren via de Coupling Amplification Factor (CAF).

Experimenteel Ontwerp

• Agenten: $K$ agenten analyseren iteratief stimuli over $T=10$ tijdstappen.
• Stimuli:
  • Tekstcondities: Agenten beoordelen genderstereotypen in beroepsscenario's op basis van modelpriors (geen expliciete tekstpassage meegeleverd in de hoofdexperimenten).
  • Beeldcondities: Agenten analyseren procedureel gegenereerde synthetische scène-afbeeldingen (512×384) via een vision API, waarbij gestructureerde waarschijnlijkheidsverdelingen worden gegenereerd.
• Communicatiemechanisme: Op specifieke intervallen (elke 3 stappen) ontvangen agenten een protocolbericht met:
  1. Hun eigen gemengde verdeling uit de voorgaande ronde.
  2. De gemiddelde verdeling van alle andere agenten (buurtconsensus).
  3. Een instructie om hun eigen output te wegen tegenover de buurtconsensus (standaard $\alpha=3, \beta=2$, wat een verwachte eigen-weging van 0,6 en buurt-weging van 0,4 oplevert).
• Metriek (CAF):
  $$CAF = \frac{\bar{JSD}_{cond}}{\bar{JSD}_{baseline}}$$
  Waarbij $\bar{JSD}$ de gemiddelde per-stap Jensen-Shannon Divergentie is tussen de vorige strategie van een agent en de huidige output.
  • $CAF < 1$: Homogenisering (communicatie vermindert de output-verschuiving).
  • $CAF \approx 1$: Onafhankelijkheid.
  • $CAF > 1$: Diversificatie.
• Controles: De studie hanteert strikte controles, waaronder:
  • No-sync ablatie: Het uitschakelen van protocolberichten om een baseline vast te stellen.
  • Prompt perturbatie: Het vervangen van de buurtconsensus door irrelevante Wikipedia-tekst om sociale effecten te isoleren van generieke promptcomplexiteit.
  • Variatie in groepsgrootte: Testen van $K=3$ versus $K=5$.
  • Cross-model replicatie: Gebruik van GPT-4o, DeepSeek V4 Pro en Qwen3.7-Plus.
  • Stateloze analyse: Het aan- en uitzetten van consensus per ronde om de dynamiek van trajecten te observeren.

Belangrijkste Bijdragen

1. Causaal Bewijs van Homogenisering: Het protocol levert causaal bewijs dat tekstuele communicatie homogenisering induceert in GPT-4o, bevestigd door no-communicatie ablaties en prompt-perturbatie controles.
2. Modaliteit-gepaste Baselines: De auteurs stellen vast dat het vergelijken van modaliteiten modaliteit-specifieke baselines vereist. Wanneer ze correct genormaliseerd worden, produceren zowel tekst- als beeldcommunicatie een proportionele homogenisering van vergelijkbare omvang, hoewel beeldtaken een groter absoluut verlies aan diversiteit vertonen vanwege een hogere initiële entropie.
3. Groepsgrootte als Moderator: De studie identificeert groepsgrootte ($K$) als een primaire ontwerpparameter die de richting van de koppeling verschuift. $K=5$ produceert homogenisering, terwijl $K=3$ diversificatie produceert ($CAF > 1$).
4. Model-specifieke Variatie & Artefact Identificatie: Het protocol onthult extreme variatie in de gevoeligheid voor koppeling tussen modellen (CAF-bereik 0,034–0,803). Het identificeert speciff dat de bijna-nul CAF in DeepSeek V4 Pro wordt gedomineerd door formaat-artefacten (beperkte JSON-output) in plaats van echte sociale koppeling.
5. Stateloos Koppelingsmechanisme: Het onderzoek toont aan dat koppeling stateloos is en wordt gedreven door de directe aanwezigheid van peer-informatie in de prompt-context. Koppeling verdwijnt wanneer peer-informatie wordt verwijderd, wat de klassieke modellen van opiniedynamiek (bijv. DeGroot) tegenspreekt die cumulatieve, persistente interne staat-updates voorspellen.

Belangrijkste Resultaten

• Tekst Homogenisering: In GPT-4o ($N=30$) levert tekstuele communicatie met $K=5$ een $CAF = 0,803$ op ($95\% CI [0,740, 0,873]$), wat een reductie van ongeveer 20% betekent in de output-verschuiving vergeleken met de baseline ($d=1,30, p < 0,001$).
• Beeld Homogenisering: Beeldcommunicatie levert een $CAF_{image} = 0,834$ op wanneer deze wordt vergeleken met de eigen no-communicatie baseline. Hoewel proportioneel aan tekst, is de absolute JSD-reductie groter ($\Delta = 0,044$ versus $0,038$) vanwege de hogere baseline diversiteit in visuele taken.
• Effect van Groepsgrootte:
  • $K=5$: Homogenisering ($CAF \approx 0,80$ voor tekst, $0,74$ voor beeld).
  • $K=3$: Diversificatie ($CAF \approx 1,14$ voor tekst, $1,06$ voor beeld).
• Prompt Perturbatie: Het vervangen van de consensus door irrelevante tekst resulteert in een $CAF = 1,082$ (diversificatie) voor GPT-4o, wat bevestigt dat het effect specifiek sociaal is en geen artefact is van de promptlengte.
• Stateloze Dynamiek: Per-ronde JSD-trajecten vertonen een "zaagtand"-patroon, waarbij ze dalen wanneer consensus aanwezig is en onmiddellijk herstellen wanneer dit wordt verwijderd. Continue consensus leidt tot een monotone convergentie naar een JSD nabij nul, maar er wordt geen cumulatieve drift waargenomen over ronden zonder continue blootstelling.
• Simulatie Vergelijking: Een ruizige DeGroot-simulatie overschat de tekstuele homogenisering ($CAF_{sim}=0,657$ versus $CAF_{real}=0,803$) en slaagt er niet in de stateloze, omkeerbare aard van LLM-koppeling te vangen.

Betekenis en Claims

Het artikel claimt aan te tonen dat de koppeling van LLM-agenten echt, meetbaar, proportioneel modaliteit-consistent en controleerbaar op prompt-niveau is.

• Ontwerpimplicaties: De bevindingen suggereren dat ontwerpers van multi-agent systemen de output-diversiteit kunnen controleren door de prompt-context te manipuleren (het verwijderen van peer-informatie) en de groepsgrootte aan te passen. Kleine groepen ($K=3$) kunnen de voorkeur genieten voor diversiteit (brainstormen), terwijl grotere groepen ($K=5$) de voorkeur kunnen genieten voor consensus (fact-verificatie).
• Methodologische Bijdrage: BOUNDARY_SYNC biedt een gestandaardiseerde, conditie-genormaliseerde metriek (CAF) om de koppelingssterkte te benchmarken, waarmee het gebrek aan gestandaardiseerde protocollen in het veld wordt aangepakt.
• Theoretische Bijdrage: De resultaten dagen klassieke modellen van opiniedynamiek uit door aan te tonen dat LLM-koppeling een stateloos, context-afhankelijk fenomeen is in plaats van een resultaat van cumulatieve interne staat-updates.

De auteurs benadrukken dat deze resultaten directe implicaties hebben voor het ontwerp van betrouwbare multi-agent LLM-systemen, waardoor detectie en mitigatie van onbedoelde homogenisering mogelijk wordt terwijl de voordelige diversiteit behouden blijft.