Resumo Técnico: BOUNDARY_SYNC

Declaração do Problema

À medida que os Grandes Modelos de Linguagem (LLMs) são cada vez mais implantados como agentes comunicantes em sistemas multiagentes para tarefas como raciocínio colaborativo, debate e simulação social, uma questão crítica permanece sem solução: será que a comunicação entre agentes causa a convergência dos outputs em direção a um consenso homogeneizado, prejudicando os benefícios da diversidade das arquiteturas multiagentes? Embora trabalhos concomitantes tenham documentado fenômenos como colapso representacional, comportamento de manada (herding) e conformidade, há uma carência de um protocolo de medição padronizado que (a) isole a comunicação como o mecanismo causal, (b) quantifique a força do acoplamento em uma escala comum entre condições e modelos, e (c) distinga efeitos transitórios impulsionados por prompts de atualizações de opinião cumulativas.

Metodologia: Protocolo BOUNDARY_SYNC

Os autores introduzem o BOUNDARY_SYNC, um protocolo de medição projetado para quantificar o acoplamento representacional através do Fator de Amplificação de Acoplamento (CAF - Coupling Amplification Factor).

Design Experimental

• Agentes: $K$ agentes analisam estímulos iterativamente ao longo de $T=10$ passos de tempo.
• Estímulos:
  • Condições de Texto: Agentes avaliam estereótipos de gênero em cenários ocupacionais baseados em priors do modelo (sem passagem de texto explícita fornecida nos experimentos principais).
  • Condições de Imagem: Agentes analisam imagens de cenas sintéticas geradas proceduralmente (512×384) via API de visão, gerando distribuições de probabilidade estruturadas.
• Mecanismo de Comunicação: Em intervalos específicos (a cada 3 passos), os agentes recebem uma mensagem de protocolo contendo:
  1. Sua própria distribuição mesclada da rodada anterior.
  2. A distribuição média de todos os outros agentes (consenso de vizinhança).
  3. Uma instrução para ponderar seu próprio output versus o consenso de vizinhança (padrão $\alpha=3, \beta=2$, resultando em um peso esperado de 0,6 para si mesmo e 0,4 para a vizinhança).
• Métrica (CAF):
  $$CAF = \frac{\bar{JSD}_{cond}}{\bar{JSD}_{baseline}}$$
  Onde $\bar{JSD}$ é a média da Divergência de Jensen-Shannon por passo entre a estratégia anterior de um agente e seu output atual.
  • $CAF < 1$: Homogeneização (a comunicação reduz o deslocamento do output).
  • $CAF \approx 1$: Independência.
  • $CAF > 1$: Diversificação.
• Controles: O estudo emprega controles rigorosos, incluindo:
  • Ablação de não-sincronia: Desativar mensagens de protocolo para estabelecer uma linha de base (baseline).
  • Perturbação de prompt: Substituir o consenso de vizinhança por texto irrelevante da Wikipedia para isolar efeitos sociais de complexidade genérica de prompt.
  • Variação de tamanho de grupo: Testar $K=3$ vs. $K=5$.
  • Replicação entre modelos: Utilizando GPT-4o, DeepSeek V4 Pro e Qwen3.7-Plus.
  • Análise sem estado (stateless): Alternar o consenso ligado/desligado por rodada para observar a dinâmica da trajetória.

Principais Contribuições

1. Evidência Causal de Homogeneização: O protocolo fornece evidência causal de que a comunicação de texto induz uma homogeneização significativa no GPT-4o, confirmada por ablações de não-comunicação e controles de perturbação de prompt.
2. Baselines Adequadas à Modalidade: Os autores estabelecem que comparar modalidades requer baselines específicas para cada modalidade. Quando normalizados corretamente, tanto a comunicação de texto quanto a de imagem produzem uma homogeneização proporcional de magnitude comparável, embora tarefas de imagem apresentem maior perda absoluta de diversidade devido à maior entropia inicial.
3. Tamanho do Grupo como Moderador: O estudo identifica o tamanho do grupo ($K$) como um parâmetro de design primário que altera a direção do acoplamento. $K=5$ produz homogeneização, enquanto $K=3$ produz diversificação ($CAF > 1$).
4. Variação Específica do Modelo e Identificação de Artefatos: O protocolo revela uma variação extrema na suscetibilidade ao acoplamento entre os modelos (intervalo de CAF de 0,034–0,803). Ele identifica especificamente que o CAF próximo de zero no DeepSeek V4 Pro é dominado por artefatos de formato (output JSON restrito) em vez de um genuíno acoplamento social.
5. Mecanismo de Acoplamento Sem Estado (Stateless): A pesquisa demonstra que o acoplamento é sem estado e impulsionado pela presença imediata de informações de pares no contexto do prompt. O acoplamento desaparece quando a informação do par é removida, contradizendo modelos clássicos de dinâmica de opinião (ex: DeGold) que preveem atualizações de estado interno cumulativas e persistentes.

Principais Resultados

• Homogeneização de Texto: No GPT-4o ($N=30$), a comunicação de texto com $K=5$ resulta em $CAF = 0,803$($95% CI [0,740, 0,873]$), representando uma redução de aproximadamente 20% no deslocamento do output em comparação com a baseline ($d=1,30, p < 0,001$).
• Homogeneização de Imagem: A comunicação de imagem gera um $CAF_{imagem} = 0,834$ quando comparado à sua própria baseline de não-comunicação. Embora proporcional ao texto, a redução absoluta de JSD é maior ($\Delta = 0,044$ vs. $0,038$) devido à maior diversidade inicial em tarefas visuais.
• Efeito do Tamanho do Grupo:
  • $K=5$: Homogeneização ($CAF \approx 0,80$ para texto, $0,74$ para imagem).
  • $K=3$: Diversificação ($CAF \approx 1,14$ para texto, $1,06$ para imagem).
• Perturbação de Prompt: Substituir o consenso por texto irrelevante resulta em um $CAF = 1,082$ (diversificação) para o GPT-4o, confirmando que o efeito é especificamente social, não um artefato do comprimento do prompt.
• Dinâmica Sem Estado: As trajetórias de JSD por rodada exibem um padrão de "dente de serra", caindo quando o consenso está presente e retornando imediatamente quando removido. O consenso contínuo leva a uma convergência monotônica para um JSD próximo de zero, mas nenhum desvio cumulativo é observado entre as rodadas sem exposição contín로.
• Comparação de Simulação: Uma simulação DeGroot ruidosa superestima a homogeneização de texto ($CAF_{sim}=0,657$ vs. $CAF_{real}=0,803$) e falha em capturar a natureza sem estado e reversível do acoplamento de LLMs.

Significância e Alegações

O artigo afirma estabelecer que o acoplamento de agentes de LLM é real, mensurável, consistente em termos proporcionais entre modalidades e controlável no nível do prompt.

• Implicações de Design: Os achados sugerem que designers de sistemas multiagentes de LLM podem controlar a diversidade de saída manipulando o contexto do prompt (removendo informações de pares) e o tamanho do grupo. Grupos pequenos ($K=3$) podem ser preferidos para diversidade (brainstorming), enquanto grupos maiores ($K=5$) podem ser preferidos para consenso (verificação de fatos).
• Contribuição Metodológica: O BOUNDARY_SYNC oferece uma métrica padronizada e condicionada por condição (CAF) para avaliar a força do acoplamento, abordando a falta de protocolos padronizados na área.
• Contribuição Teórica: Os resultados desafiam modelos clássicos de dinâmica de opinião ao demonstrar que o acoplamento de LLM é um fenômeno sem estado e dependente de contexto, em vez de um resultado de atualizações de estado interno cumulativas.

Os autores enfatem que estes resultados fornecem implicações diretas para o design de sistemas multiagentes de LLM confiáveis, permitindo a detecção e mitigação da homogeneização indesejada enquanto preservam a diversidade benéfica.