深度分析
SLIC 演算法：以語意合作賽局解決 LLM 多智能體系統貢獻歸因問題
LLM 多智能體系統的貢獻歸因問題長期依賴高成本的反事實重跑法。本研究提出語意合作賽局（SCG）與單次軌跡演算法 SLIC，將語言流程轉為超圖，直接計算語意夏普利值（SSV）。在醫學基準測試中，SLIC 降低 93.3% 計算成本，且能揭露語意貢獻與失敗衝擊的差異。
深度分析
LLM 多智能體系統的貢獻歸因問題長期依賴高成本的反事實重跑法。本研究提出語意合作賽局（SCG）與單次軌跡演算法 SLIC，將語言流程轉為超圖，直接計算語意夏普利值（SSV）。在醫學基準測試中，SLIC 降低 93.3% 計算成本，且能揭露語意貢獻與失敗衝擊的差異。
深度分析
多智能體LLM系統的規劃階段存在致命安全漏洞。PlanFlip框架透過四種提示注入攻擊（目標置換、優先級反轉等），單次注入即可污染所有子任務。測試顯示GPT-5攻擊成功率達0.68，同質化管線的Critic完全無法察覺計畫被篡改，僅推理增強模型DeepSeek-R1能完全抵抗。