Drift No More: Spectral Locking for Long-Horizon Open-Weight Multi-Agent AI
Pubblicata su AIChronos il · fonte del · Vishal Pramanik, Maisha Maliha, Susmit Jha, Sumit Kumar Jha
Il sistema multi-agente a lungo termine soffre di tre fallimenti accoppiati (task drift, role drift, state staleness) causati dal movimento degli stati nascosti dell'agente lontano dalle direzioni che codificano compito, ruolo e stato condiviso. Lo studio pilota su 14.832 turni annotati conferma questa ipotesi mostrando un collasso quasi uniforme dei turni derivati vicino ai sottospazi di ancoraggio. Viene introdotto ATLAS (Algebraic Task-role Locking with Adaptive Spectral Memory), una tecnica senza addestramento che agisce sugli stati nascosti prima della generazione del token per stabilizzare il sistema.
- ATLAS utilizza un kernel positivo-semidefinito su sottospazi di compito, ruolo e stato per guidare gli stati nascosti verso direzioni autovalori ad alta coerenza.
- La decomposizione a rango basso della matrice Gram mantiene il metodo computazionalmente trattabile senza richiedere fine-tuning del modello base.
- ATLAS supera le baselines esistenti (prompting, retrieval, memory) migliorando l'accuratezza macro-media di memoria fino al 5.7 punti e riducendo i fallimenti di scrittura/lettura.
- L'ablazione congiunta delle direzioni task-ruolo-stato costa significativamente più che una span casuale a rango pari, confermando il loro coinvolgimento funzionale.
- Il metodo garantisce un trasferimento efficace su backbone da 72B e raggiunge il 93.5% di coerenza del ruolo sotto stress.
Perché conta. Questa tecnica è rilevante per gli sviluppatori che lavorano con agenti AI locali perché offre una soluzione representation-level gratuita (training-free) per mitigare la deriva degli stati senza modificare i pesi del modello o dipendere da protocolli di output black-box.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.