Contagion Networks: Evaluator Bias Propagation in Multi-Agent LLM Systems
作者: Zewen Liu
分类: cs.LG, cs.AI, cs.MA
发布日期: 2026-06-18
备注: 20 pages, 4 figures, 4 tables
💡 一句话要点
提出传播网络框架以解决多智能体系统中的评估者偏差问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 传播网络 评估者偏差 多智能体系统 大型语言模型 偏差传播 实验框架 智能代理
📋 核心要点
- 现有方法未能有效控制大型语言模型在多智能体系统中的评估偏差传播，导致评估结果的不一致性。
- 论文提出了传播网络框架，通过测量评估者偏差在代理间的传播，提供了一种新的分析工具和缓解策略。
- 实验结果显示，评估者偏差在代理间传播系数为0.157至0.352，增加评估委员会规模可减少72.4%的有效传播。
📝 摘要（中文）
当大型语言模型作为多智能体系统中的评估者时，其系统性评估偏差会在代理网络中传播。本文提出了传播网络的正式框架，用于测量评估者偏差在交互的LLM代理之间的传播。在使用DeepSeek-chat进行的三代理实验中，我们测量了跨代理传播矩阵Gamma_3，发现评估者偏差在代理之间持续传播。我们识别了由谱半径rho(Gamma_N)主导的三种传播机制，并展示了同质模型代理的传播系数比先前工作中的跨模型系数弱3-5倍，处于抑制机制中。我们还发现，增加评估委员会的规模可以有效减少传播，提供了可行的缓解策略。我们发布了开源的传播网络实验框架。
🔬 方法详解
问题定义：本文旨在解决大型语言模型在多智能体系统中作为评估者时，评估偏差的传播问题。现有方法未能有效识别和控制这种偏差传播，导致评估结果的不一致性和不可靠性。
核心思路：论文提出了传播网络的概念，通过构建跨代理传播矩阵Gamma_3，系统性地测量评估者偏差的传播情况，进而识别不同的传播机制和影响因素。
技术框架：整体架构包括三个主要模块：1) 代理模型的构建与评估者偏差的定义；2) 传播矩阵Gamma_3的计算与分析；3) 评估委员会规模对传播的影响实验。
关键创新：最重要的创新在于引入了传播网络框架，系统性地量化评估者偏差的传播，并识别出同质模型与跨模型代理的传播特性差异。
关键设计：在实验中，使用了三种不同的评估者偏差配置（结构化、平衡、基于证据），并通过调整评估委员会的规模（k=1至k=3）来观察传播效果的变化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，评估者偏差在代理间的传播系数Gamma_3范围为0.157至0.352，显示出偏差传播的显著性。同时，增加评估委员会的规模从k=1到k=3，能够有效减少72.4%的传播，提供了切实可行的缓解策略。
🎯 应用场景
该研究的潜在应用领域包括多智能体系统的评估机制优化、智能代理的设计与评估，以及大型语言模型在实际应用中的偏差控制。通过提供有效的偏差传播分析工具，能够提升智能系统的可靠性和公平性，具有重要的实际价值和未来影响。
📄 摘要（原文）
When large language models serve as evaluators in multi-agent systems, their systematic evaluation biases propagate through the agent network. We introduce Contagion Networks, a formal framework for measuring how evaluator biases spread across interacting LLM agents. In a controlled 3-agent experiment using DeepSeek-chat with three distinct evaluator bias profiles (structured, balanced, evidence-based), we measure the Cross-Agent Contagion Matrix Gamma_3 and find that evaluator biases consistently propagate between agents (gamma in [0.157, 0.352]), even within the same underlying model. We identify three propagation regimes governed by the spectral radius rho(Gamma_N), and demonstrate that homogeneous-model agents produce contagion coefficients 3-5x weaker than cross-model coefficients observed in prior work (MM-EPC: gamma approx 0.85-1.3), placing them in the suppression regime. We show that increasing evaluator committee size from k=1 to k=3 reduces effective contagion by 72.4%, providing an actionable mitigation strategy. We release the open-source Contagion Network experimental framework.