SLIC и Semantic Shapley Value: как оценить вклад агентов в LLM-системах, −93% расчётов

En julio de 2026 apareció en arXiv un preprint que describe SLIC, un algoritmo que estima la contribución de cada agente en un sistema LLM multiagente en una sola pasada y reduce el costo computacional en un 93,3% respecto al método base Monte Carlo Shapley.

Por qué es difícil calcular la contribución de los agentes

Los métodos clásicos de atribución requieren reejecutar repetidamente el sistema: eliminar agentes individuales y comparar cómo cambia el resultado final. En los workflows de lenguaje, cada una de estas ejecuciones implica nuevas llamadas al modelo: el cálculo exacto de la contribución mediante Shapley requiere recorrer los 2^n subconjuntos de agentes, lo que genera estimaciones de alta varianza y rápidamente se vuelve inviable a medida que crece el número de agentes.

Los autores del trabajo señalan un segundo problema: los métodos contrafactuales no ven los estados semánticos intermedios, es decir, cómo los agentes generan, conservan y transforman la información relevante para la tarea a lo largo del intercambio de mensajes. Solo se evalúan la entrada y la salida del sistema, no la lógica de transferencia de significado entre roles.

Cómo funciona el Semantic Shapley Value

SLIC construye un hipergrafo semántico a partir del flujo de lenguaje ejecutado y calcula el Semantic Shapley Value (SSV) sin reejecutar subconjuntos de agentes. El algoritmo recupera los soportes semánticos mínimos, aplica absorción booleana y distribuye la contribución según la lógica del soporte semántico en una sola trayectoria de ejecución, de ahí el término "single-trajectory" en la descripción del método.

Los autores demuestran que el SSV se reduce al valor de Shapley clásico bajo condiciones estándar: representación multilineal, observabilidad completa y ausencia de dependencia del orden. Es decir, el nuevo método no es una heurística, sino una generalización correcta de la conocida teoría de juegos cooperativos a los procesos de lenguaje, donde el orden de los pasos y el significado intermedio importan.

*Método: Semantic Cooperative Games (SCG) + Semantic Shapley Value (SSV)

*Algoritmo: SLIC — cálculo en una sola pasada, sin reejecuciones contrafactuales

*Ahorro: −93,3% de costo computacional en un benchmark médico

*Consistencia: resultados cercanos al Monte Carlo Shapley base

*Publicación: preprint arXiv:2607.18255, julio de 2026

Qué mostraron las pruebas

En un benchmark médico que cumple las condiciones del teorema, SLIC redujo el costo computacional en un 93,3%, manteniéndose muy consistente con el método base Monte Carlo Shapley. Este es el resultado clave del trabajo: prácticamente las mismas estimaciones de contribución, pero casi 15 veces más barato de calcular.

En workflows multirrol más generales, el valor SSV coincide con los perfiles de caída de la puntuación ante perturbaciones y revela casos en los que la contribución semántica de un agente y su influencia en el fallo divergen, es decir, un agente puede aportar mucho significado sin ser un punto de fallo, y viceversa.

"SLIC es un método de atribución rápido, que no requiere ejecuciones

contrafactuales e interpretable para sistemas LLM multiagente complejos", se afirma en el resumen del trabajo en arXiv.

Qué significa esto

A medida que los productos se ensamblan a partir de varios agentes LLM que interactúan entre sí, la pregunta de "quién aportó valor y quién rompió el resultado" se convierte en una cuestión de ingeniería y no filosófica. SLIC ofrece una forma de responderla de manera barata y sin caja negra, algo importante para la depuración, la optimización y la evaluación justa de los agentes en sistemas multiagente.

Preguntas frecuentes

¿Qué es la atribución de contribución en sistemas LLM multiagente?

Es la evaluación de cuál de varios agentes influyó en el resultado final, y en qué medida, cuando la respuesta surge a través de una cadena de mensajes y dependencias del workflow. SLIC resuelve este problema mediante un hipergrafo semántico y el Semantic Shapley Value en lugar de costosas reejecuciones contrafactuales.

¿Cuánto más rápido es SLIC que los métodos anteriores?

En un benchmark médico, SLIC redujo el costo computacional en un 93,3% respecto al Monte Carlo Shapley base, manteniendo resultados cercanos a él y sin reejecutar subconjuntos de agentes.