Resumen: El panorama de los modelos de lenguaje grande (LLMS) cambia rápidamente hacia sistemas dinámicos y de múltiples agentes. Esto introduce un desafío fundamental en el establecimiento de la confianza computacional, específicamente cómo un agente puede verificar que la producción de otro fue producida genuinamente por un LLM reclamado, y no falsificado o generado por un modelo más barato o inferior. Para abordar este desafío, este documento propone un marco de verificación que logra un esfuerzo asimétrico manejable, donde el costo para verificar un cálculo es sustancialmente más bajo que el costo para realizarlo. Nuestro enfoque se basa en el principio de replicabilidad determinista, una propiedad inherente a los modelos autorregresivos que requieren estrictamente un entorno computacionalmente homogéneo donde todos los agentes operan con pilas de hardware y software idénticas. Dentro de este contexto definido, nuestro marco permite a múltiples validadores auditar probabilísticamente segmentos aleatorios pequeños de la salida de una LLM y distribuye la carga de trabajo de verificación de manera efectiva. Las simulaciones demostraron que la verificación dirigida puede ser más de 12 veces más rápida que la regeneración completa, con parámetros sintonizables para ajustar la probabilidad de detección. Al establecer un mecanismo manejable para los sistemas LLM auditables, nuestro trabajo ofrece una capa fundamental para la IA responsable y sirve como piedra angular para futuras investigaciones sobre los sistemas de agentes múltiples más complejos y heterogéneos.
Publicado Originalme en export.arxiv.org El 15 de septiembre de 2025.
Ver Fuente Original
