SLIC e Semantic Shapley Value: como medir a contribuição de agentes em sistemas LLM, com 93,3% menos cálculos

Em julho de 2026, um preprint publicado no arXiv descreveu o SLIC, algoritmo que estima a contribuição de cada agente em um sistema LLM multiagente em uma única passada e reduz o custo computacional em 93,3% em relação ao método-base Monte Carlo Shapley.

Por que é difícil calcular a contribuição dos agentes

Os métodos clássicos de atribuição exigem reexecutar o sistema várias vezes: remove-se agentes específicos e compara-se como o resultado final muda. Em workflows de linguagem, cada rodada dessas significa novas chamadas ao modelo. O cálculo exato da contribuição por Shapley exige percorrer todos os 2^n subconjuntos de agentes, o que gera estimativas com alta variância e se torna inviável rapidamente conforme o número de agentes cresce.

Os autores apontam um segundo problema: os métodos contrafactuais não enxergam os estados semânticos intermediários, ou seja, como os agentes geram, preservam e transformam a informação relevante para a tarefa ao longo da troca de mensagens. Só a entrada e a saída do sistema são avaliadas, e não a lógica de transmissão de significado entre os papéis.

Como funciona o Semantic Shapley Value

O SLIC constrói um hipergrafo semântico a partir do fluxo de linguagem efetivamente executado e calcula o Semantic Shapley Value (SSV) sem reexecutar subconjuntos de agentes. O algoritmo recupera os supports semânticos mínimos, aplica absorção booleana e distribui a contribuição segundo a lógica de suporte semântico em uma única trajetória de execução. Daí o termo "single-trajectory" na descrição do método.

Os autores demonstram que o SSV se reduz ao valor de Shapley clássico sob condições padrão: representação múltipla, observabilidade completa e ausência de dependência de ordem. Ou seja, o novo método não é uma heurística, mas uma generalização correta da teoria clássica de jogos cooperativos para processos de linguagem, nos quais importam a ordem dos passos e o significado intermediário.

• Método: Semantic Cooperative Games (SCG) + Semantic Shapley Value (SSV)
• Algoritmo: SLIC, cálculo em uma única passada, sem reexecuções contrafactuais
• Economia: −93,3% de custo computacional em um benchmark médico
• Consistência: resultados próximos ao método-base Monte Carlo Shapley
• Publicação: preprint arXiv:2607.18255, julho de 2026

O que os testes mostraram

Em um benchmark médico que satisfaz as condições do teorema, o SLIC reduziu o custo computacional em 93,3%, mantendo alta consistência com o método-base Monte Carlo Shapley. É o resultado central do trabalho: estimativas de contribuição praticamente iguais, com um custo de cálculo quase 15 vezes menor.

Em workflows multipapel mais gerais, o valor do SSV coincide com os perfis de queda de desempenho sob perturbações e revela casos em que a contribuição semântica de um agente e seu impacto em uma falha divergem. Em outras palavras, um agente pode carregar muito significado sem ser o ponto de falha, e vice-versa.

"O SLIC é um método de atribuição rápido, que dispensa execuções

contrafactuais e é interpretável, voltado a sistemas LLM multiagentes complexos", diz o resumo do trabalho no arXiv.

O que isso significa

À medida que os produtos passam a ser montados com vários agentes LLM que interagem entre si, a pergunta "quem de fato gerou valor e quem estragou o resultado" vira uma questão de engenharia, não de filosofia. O SLIC oferece uma forma de respondê-la de maneira barata e sem caixa-preta, o que importa para depuração, otimização e avaliação justa de agentes em sistemas multiagentes.

Perguntas frequentes

O que é atribuição de contribuição em sistemas LLM multiagentes?

É a avaliação de qual dos vários agentes influenciou o resultado final e em que medida, quando a resposta nasce de uma cadeia de mensagens e dependências do workflow. O SLIC resolve esse problema com um hipergrafo semântico e o Semantic Shapley Value, em vez de caras reexecuções contrafactuais.

Quão mais rápido o SLIC é em comparação com os métodos anteriores?

Em um benchmark médico, o SLIC reduziu o custo computacional em 93,3% em relação ao método-base Monte Carlo Shapley, mantendo resultados próximos aos dele e sem reexecutar subconjuntos de agentes.