SLIC et Semantic Shapley Value : mesurer la contribution des agents dans les systèmes LLM, −93 % de calcul

En juillet 2026, un preprint décrivant SLIC est paru sur arXiv. Cet algorithme évalue la contribution de chaque agent d'un système LLM multi-agents en une seule passe et réduit le coût de calcul de 93,3 % par rapport à la méthode de référence, Monte Carlo Shapley.

Pourquoi la contribution des agents est difficile à mesurer

Les méthodes classiques d'attribution obligent à relancer le système à de multiples reprises : on retire des agents un à un et l'on compare l'évolution du résultat final. Dans les workflows de langage, chacune de ces exécutions déclenche de nouveaux appels au modèle. Le calcul exact de la contribution selon Shapley exige de passer en revue les 2^n sous-ensembles d'agents. Les estimations présentent alors une forte variance et deviennent rapidement impraticables dès que le nombre d'agents augmente.

Les auteurs pointent un second problème : les méthodes contrefactuelles ne voient pas les états sémantiques intermédiaires, c'est-à-dire la manière dont les agents produisent, conservent et transforment l'information utile à la tâche au fil des échanges de messages. Elles n'évaluent que l'entrée et la sortie du système, pas la logique de transmission du sens entre les rôles.

Comment fonctionne la Semantic Shapley Value

SLIC construit un hypergraphe sémantique à partir du flux de langage réellement exécuté et calcule la Semantic Shapley Value (SSV) sans relancer de sous-ensembles d'agents. L'algorithme reconstruit les supports sémantiques minimaux, applique l'absorption booléenne, puis répartit la contribution selon la logique du support sémantique sur une seule trajectoire d'exécution. D'où le terme « single-trajectory » dans la description de la méthode.

Les auteurs démontrent que la SSV se ramène à la valeur de Shapley classique sous des conditions standard : représentation multiple, observabilité complète et absence de dépendance à l'ordre. Autrement dit, la nouvelle méthode n'est pas une heuristique, mais une généralisation rigoureuse de la théorie des jeux coopératifs aux processus de langage, où l'ordre des étapes et le sens intermédiaire comptent.

• Méthode : Semantic Cooperative Games (SCG) + Semantic Shapley Value (SSV)
• Algorithme : SLIC — calcul en une seule passe, sans redémarrages contrefactuels
• Gain : −93,3 % de coût de calcul sur un benchmark médical
• Cohérence : résultats proches de la méthode de référence Monte Carlo Shapley
• Publication : preprint arXiv:2607.18255, juillet 2026

Ce que montrent les tests

Sur un benchmark médical qui satisfait les conditions du théorème, SLIC a réduit le coût de calcul de 93,3 %, tout en restant très cohérent avec la méthode de référence Monte Carlo Shapley. C'est le résultat clé de l'étude : des estimations de contribution pratiquement identiques, pour un calcul presque 15 fois moins coûteux.

Dans des workflows multi-rôles plus généraux, la valeur SSV concorde avec les profils de chute du score sous perturbation. Elle met aussi en évidence des cas où la contribution sémantique d'un agent et son influence sur une défaillance divergent : un agent peut véhiculer beaucoup de sens sans être un point de défaillance, et inversement.

« SLIC est une méthode d'attribution rapide, interprétable et ne

nécessitant aucune exécution contrefactuelle pour les systèmes LLM multi-agents complexes », indique le résumé de l'article sur arXiv.

Ce que cela signifie

À mesure que les produits s'assemblent à partir de plusieurs agents LLM en interaction, la question « qui a réellement apporté de la valeur et qui a gâché le résultat » devient un problème d'ingénierie, et non plus philosophique. SLIC offre un moyen d'y répondre à moindre coût et sans boîte noire. C'est un atout pour le débogage, l'optimisation et l'évaluation équitable des agents dans les systèmes multi-agents.

Questions fréquentes

Qu'est-ce que l'attribution de la contribution dans les systèmes LLM

multi-agents ?

Il s'agit d'estimer lequel des agents, et dans quelle mesure, a influencé le résultat final lorsque la réponse naît d'une chaîne de messages et de dépendances au sein d'un workflow. SLIC aborde ce problème via un hypergraphe sémantique et la Semantic Shapley Value, plutôt que par de coûteuses exécutions contrefactuelles.

De combien SLIC est-il plus rapide que les méthodes précédentes ?

Sur un benchmark médical, SLIC a réduit le coût de calcul de 93,3 % par rapport à la méthode de référence Monte Carlo Shapley. Il conserve des résultats proches des siens et ne relance pas de sous-ensembles d'agents.