想了解多智能体LLM之间怎么互相影响输出？这篇论文给出了可量化框架CAF，还拿DeepSeek和GPT-4o-mini做了实验，能看到图像条件会放大耦合效应。
论文提出Contagion Tensor框架，量化多智能体LLM输出分布间的耦合。基于该张量定义Coupling Amplification Factor (CAF)，形式为CAF=E[T_condition]/E[T_baseline]，提供无单位基线比较。在2x2x2块正交仿真中，图像条件超线性效应(CAF=1.40)在禁用图像扰动模块后降为亚线性(CAF=0.87)。真实API实验：DeepSeek-Chat (R=30)和GPT-4o-mini (R=15,真实视觉)在统一人格下文本通信CAF≈1.0，多样人格导致收敛(CAF=0.88)。GPT-4o-mini内对比：C3 (文本) CAF=1.02 vs. C5(真实视觉,R=30) CAF=1.72，验证仿真预测。
论文提出Contagion Tensor框架，量化多智能体LLM输出分布间的耦合。基于该张量定义Coupling Amplification Factor (CAF)，形式为CAF=E[T_condition]/E[T_baseline]，提供无单位基线比较。在2x2x2块正交仿真中，图像条件超线性效应(CAF=1.40)在禁用图像扰动模块后降为亚线性(CAF=0.87)。真实API实验：DeepSeek-Chat (R=30)和GPT-4o-mini (R=15,真实视觉)在统一人格下文本通信CAF≈1.0，多样人格导致收敛(CAF=0.88)。GPT-4o-mini内对比：C3 (文本) CAF=1.02 vs. C5(真实视觉,R=30) CAF=1.72，验证仿真预测。
We introduce the Contagion Tensor, a measurement framework for quantifying how large language model (LLM) output distributions couple across modalities, agents, and time steps. From the tensor we derive the Coupling Ampl…