전염 텐서: 다중 에이전트 LLM 시스템에서 출력 분포 결합 측정 프레임워크 — 및 이를 통해 가능한 주장 감사
The Contagion Tensor: A Framework for Measuring Output-Distribution Coupling in Multi-Agent LLM Systems -- and Auditing the Claims It Enables
우리는 대규모 언어 모델(LLM) 출력 분포가 양식(modality), 에이전트, 시간 단계에 걸쳐 어떻게 결합되는지를 정량화하는 측정 프레임워크인 전염 텐서(Contagion Tensor)를 소개한다. 텐서로부터 결합 증폭 인수(CAF, Coupling Amplification Factor)를 도출하며, 이는 CAF = E[T_condition] / E[T_baseline] 형태를 공유하는 비율 기반 지표 집합으로, 부트스트랩 신뢰 구간을 갖는 무단위 기준선(baseline) 참조 측정값을 제공한다. CAF를 네 가지 변형으로 구체화하고, 완전한 2x2x2 블록-직교 시뮬레이션 설계에서 양식별 절제(ablation)와 함께 가장 강력한 변형을 평가한다. 절제 분석을 통해 이미지 조건의 명백한 초선형(super-linear) 효과(CAF = 1.40)가 이미지 섭동(perturbation) 모듈을 비활성화하면 선형 이하(sub-linear)(CAF = 0.87)로 붕괴되며, 이는 -0.53의 변화로 텍스트 조건에는 아무런 영향이 없음이 드러난다. 두 모델 패밀리인 DeepSeek-Chat(R=30)과 GPT-4o-mini(R=15, 실제 비전)에 걸친 실제 API 실험으로 이를 보완한다. 균일한 페르소나(persona) 하에서 텍스트 전용 통신은 두 모델 모두에서 CAF ≈ 1.0을 산출한다. 다양한 페르소나는 수렴(CAF = 0.88)을 유도한다. GPT-4o-mini에 대한 모델 내 비교 결과: C3(텍스트) CAF = 1.02 대 C5(실제 비전, R=30) CAF = 1.72 [1.700, 1.733], delta = +0.70으로, 시뮬레이션의 초선형 이미지 조건 예측을 검증한다. 11개 조건 중 5개는 실제 API에서 테스트되었으며 6개는 아직 검증되지 않은 상태이다. 우리의 기여는 두 가지 층위로 이루어진다: (1) 출력 분포 결합을 정량적으로 반증 가능하게 만드는 측정 도구; (2) 모든 모듈식 다중 에이전트 시뮬레이터가 진정한 결합을 설계 아티팩트(artifact)와 구별하기 위해 채택할 수 있는 이식 가능한 절제 프로토콜.