Contagion Networks: Evaluator Bias Propagation in Multi-Agent LLM Systems
传染网络：多智能体LLM评估偏差传播的量化与抑制
🧭 多智能体LLM评估偏差传播与抑制
Qilu Institute of Technology, School of Software Engineering
提出传染网络框架，量化多智能体LLM中评估偏差传播，揭示同模型抑制与委员会多样性降低传染效应
📌 工作参考价值
- 同模型评估者池优先：在电商搜索/推荐的多智能体架构（如 query 评估、对话推荐）中，尽量使用同一模型家族但不同角色提示的智能体相互评估，避免跨模型（如 GPT-4o 评估 DeepSeek）引入的偏差放大（同模型传染系数仅 0.14–0.30，跨模型可达 0.85–1.3）。
- 策略熵作为健康监控指标：实时跟踪各智能体的策略权重熵 H(w)，若持续下降逼近低值，提示可能存在传染偏向单一策略，需触发多样性注入或评估者轮换。
- 评估者委员会降传染：对关键决策节点，采用 k≥3 个评估者组成委员会，可将有效传染降低 72% 以上，是一种低成本防御机制，适合工业级多智能体系统。
- 部署前测量 Γ 矩阵：新建多智能体系统时，先跑一轮小规模传染矩阵测量，若谱半径 ρ(Γ)>1（全连接拓扑）或存在单跳 γ>1（链拓扑），需调整网络拓扑或评估配置，避免级联坍塌。
动机
多智能体LLM系统中，智能体互相评估形成闭环反馈。若评估者存在系统偏好，这种偏差会通过评估-更新环路在多跳间传播，导致所有智能体策略趋同，丧失认知多样性（策略坍塌）。现有工作仅关注单评估者或成对效应，未分析多跳传播动力学。本文借鉴传染病建模思想，提出传染网络（Contagion Networks）框架，形式化量化并抑制评估偏差在多智能体网络中的传播。
方法关键点
- 交叉传染矩阵 Γ_N：定义 N 智能体的成对传染系数 γ_{j→i}，衡量评估者 j 对智能体 i 策略权重分布的改变幅度。矩阵 Γ_N 的谱半径 ρ 决定传播动力学。
- 适应机制 TTRL：智能体通过 Test-Time Reinforcement Learning 乘性更新策略权重，不需修改 LLM 参数，轻量且兼容 API 调用。
- 三个传播区：由 ρ(Γ_N) 分类——ρ<1 抑制（偏差逐跳衰减），ρ≈1 持续，ρ>1 级联（全网偏好坍塌）。链拓扑下级联条件进一步简化为任意单跳 γ>1。
- 多样性抑制定理：当 k 个评估者偏好相似度 ≤τ，有效传染 γ_eff 随 k 以 1/√k 衰减；k≥3 即可将强传染压制到级联阈值以下。
关键实验与结果
使用 DeepSeek-chat 的三个变体（结构偏向/平衡/证据偏向）在 50 个任务（代码、数学、总结等）上进行 840 次 API 调用实验。
- 成对传染矩阵所有 γ∈[0.143,0.304]，远低于跨模型值（0.85–1.3），系统处于抑制区；但全连接拓扑的谱半径 ρ(Γ₃)=1.402，暗示密集连接可能触发级联。
- 3 跳链传播累积衰减因子 β₃=0.0055，偏差近乎完全消失。
- 委员会规模从 k=1 增至 k=3，有效传染降低 72.4%（0.264→0.073），策略熵趋近最大熵 ln5≈1.609，证明多样性有效抑制传播。
核心结论
同模型评估者池天然抑制偏差传播，跨模型多样性反而放大传染；至少三个评估者组成的委员会能大幅削弱传染风险。部署多智能体系统前应测量 Γ 矩阵，监控策略熵，以防策略多样性悄然丧失。