Resumen: La integración de modelos de lenguaje grandes en sistemas multiagente (MAS) ha permitido la solución de tareas complejas y de largo horizonte a través del razonamiento colaborativo. Sin embargo, esta inteligencia colectiva es intrínsecamente frágil, ya que una única falacia lógica puede propagarse rápidamente y conducir a un fallo en todo el sistema. La mayoría de las investigaciones actuales se basan en análisis de fallos post hoc, lo que dificulta la intervención en tiempo real. Para abordar esto, proponemos PROMAS, un marco proactivo que utiliza transiciones de Markov para el análisis de errores predictivos. PROMAS extrae características delta causales para capturar el desplazamiento semántico, mapeándolos en un espacio vectorial de Markov cuantificado para modelar el razonamiento como transiciones probabilísticas. Al integrar un cabezal de predicción proactiva con detección de saltos, el método localiza errores mediante la aceleración del riesgo en lugar de umbrales estáticos. En el punto de referencia Who&When, PROMAS logra una precisión de nivel de paso del 22,97 % mientras procesa solo el 27 % de los registros de razonamiento. Este rendimiento rivaliza con los monitores reactivos como MASC y, al mismo tiempo, reduce la sobrecarga de datos en un 73 %. Aunque esta estrategia implica una compensación de precisión en comparación con los métodos post hoc, mejora significativamente la latencia de la intervención, equilibrando la precisión del diagnóstico con las demandas en tiempo real del razonamiento autónomo.
Publicado originalmente en export.arxiv.org el 23 de marzo de 2026.
Ver fuente original
