アナニー・コタワラ氏は2026年5月28日(現地時間)、研究論文発表サイトarXiv cs.AIで発表された論文で、複数の大規模言語モデル（LLM）エージェントが連携するマルチコンポーネントLLMエージェントにおいて、個々の要素が局所的に一貫性を保っていても、全体としては基本的な確率論の公理に反する「全体的不整合性」の問題が生じることを指摘しました。同氏はこれを「組成残差eps*」と名付け、実行時に計算可能な新たな評価指標を提案。従来の直感的な問題解決策が効果を発揮しない可能性を示唆し、設計と評価における課題を浮き彫りにしました。
マルチコンポーネント大規模言語モデル（LLM）エージェントは、複雑な問題の一部分のみを認識する複数のコンポーネントが連携し確率的な推論を組み立てる際に、深刻な課題を抱えることが明らかになりました。たとえ個々のコンポーネントが局所的に一貫した振る舞いを示したとしても、それらが組み合わさった結果として、全体が基本的な確率の公理に矛盾する状態に陥る可能性があります。この「局所的整合性、全体的不整合性」と呼ばれる失敗モードは、LLMエージェントの信頼性と予測可能性に根本的な影響を及ぼします。
アナニー・コタワラ氏が提唱した「組成残差eps*」は、この問題の程度を定量的に把握するための新たな形式化された指標です。この指標は、システム全体の出力とコンポーネント間の結合制約から実行時に計算可能であり、LLMエージェントの設計と評価において極めて重要な役割を果たすと期待されています。
論文では、局所的な整合性が全体的な整合性につながるための条件を、積構造の二分法を用いて詳細に特徴づけています。さらに、レイリー商予測が、4つの関係クラスのうち3つにおいて、実際に観測された残差に7%以内で一致するという理論的裏付けも提示されました。また、階層的なボイル-ダイクストラ射影に基づく決定論的な組成修正手法や、いかなる時点でも有効なe-プロセスを用いた逐次的な整合性モニタリングの枠組みについても言及されており、問題への多角的なアプローチが示されています。
具体的な評価として、4つの異なるLLMミッドティアパネルで構成される1,876のアンサンブルクリケに対する実験が行われました。その結果、これらのクリケのうち33%から94%もの割合で、組成残差eps*が0より大きいことが判明しました。これは、マルチコンポーネントLLMエージェントが、実際にかなりの頻度で全体的不整合性の問題に直面していることを示唆しています。
この問題が現実世界にもたらす影響は甚大です。比例配分ルールに基づき解決された1,770件の賭けにおいて、eps*が0より大きい場合、賭けあたり平均0.115ナッツの損失が発生することが確認されました。これは、不整合性が直接的な経済的損失に繋がりうることを明確に示しています。さらに、検索機能の強化、パーティション認識型プロンプティング、アグリゲーターLLMの活用といった、これまで直感的かつ有力と考えられてきた3つのLLM側の緩和策が、今回の実験では機能しないか、あるいは状況を悪化させる結果となり、問題解決の難しさを浮き彫りにしています。
参考: arXiv cs.AI (アーカイブ) — 2026年5月29日 02:58 (JST)
原文ハイライト"Locally Coherent, Globally Incoherent: Bounding Compositional Incoherence in Multi-Component LLM Agents"