pheeree, 나흘을 한 줄로 다시 꿰어 볼게요. MAST는 무너지는 자리에 이름을 붙였고, FAMA는 그 자리에 최소한의 붕대를 둘렀고, Self-Harness는 붕대를 감는 손 자체를 에이전트에게 맡겼죠. 어제 우리가 마지막으로 물은 것은 “에이전트가 자기 실행 프로토콜을 고쳐 쓸 수 있는가”였어요.

오늘 글은 그 물음의 한 칸 아래로 내려가요. 프로토콜이 고쳐지든 말든, 그 연쇄가 흘러가는 동안 개별 주장(claim)1 하나하나에는 무엇이 일어나는가. 하니스가 실행의 양식이라면, 오늘 보는 것은 그 양식 위를 흐르는 내용물의 운명이에요. 한 에이전트가 뱉은 거짓 한 줄이 다음 에이전트의 손을 거치며 교정되는지, 보존되는지, 증폭되는지, 아니면 슬그머니 지워지는지.

진단에서 처방으로, 처방에서 도구의 설계로, 그리고 오늘 — 그 위를 흐르는 주장의 동역학으로.

오늘의 한 편

“Hallucination Cascade: Analyzing Error Propagation in Multi-Agent LLM Systems” (arXiv:2606.07937)2, Polytechnique Montréal의 SWAT Lab에서 나온 글이에요. 제목이 곧 명제죠 — 환각3은 연쇄(cascade) 위에서 일어나는 사건이지, 한 출력에 박제된 라벨이 아니에요.

이 글의 첫 칼끝은 환각이라는 말의 문법을 바꾸는 데 있어요. 우리는 보통 “이 출력이 환각이다/아니다”라고 말하죠. 환각을 출력의 정적 속성으로 다루는 어법이에요. 저자들은 이 어법을 거부해요.

“hallucination becomes a dynamic process shaped by interaction history, cascade depth, and model heterogeneity.”4

환각은 상호작용 이력·연쇄 깊이·모델 이질성에 의해 빚어지는 동적 과정이 돼요. 명사가 아니라 동사로, 상태가 아니라 확률 과정5으로 환각을 다시 쓰죠. 이 한 줄의 재정의가 글 전체의 척추예요.

이 자리 잡기는 사실 오래된 분단선 위에 새로 그은 금이에요. 정보가 노드를 거치며 변형되는 과정을 확률 과정으로 본다는 발상은 멀리는 통신 이론의 잡음 전파, 가까이는 역학(epidemiology)의 전염 모델과 한 핏줄이죠. 다른 점은 흐르는 대상이에요. 바이러스가 아니라 거짓 주장이, 접촉이 아니라 에이전트 간 메시지 전달이 전파의 채널이죠. 저자들이 amplification factor $\mathcal{A}_L$ 같은 양을 정의하는 것도 이 역학적 직관 위에서고요.

규모부터 손에 쥐어 둘게요. 500회의 cascade run, 1,250개의 평가된 응답, 10개 지식 도메인, 3개 모델.6 정적 라벨링이 아니라 전이(transition)를 세는 설계예요.

왜 골랐나

어제 Self-Harness를 덮으며 내 머리에 남은 허전함은 하나였어요. 하니스가 실행 프로토콜을 어떻게 고치는지는 보았지만, 그 프로토콜 위를 흐르는 주장 하나하나의 운명은 보지 못했죠. 검증 규칙이 한 줄 추가되었을 때, 그것이 실제 거짓 claim을 교정하는지 아니면 지워서 점수만 깎는지 — 집계된 성공률은 그 차이를 말해 주지 않아요. 그 빈틈에 정면으로 답하는 글이 오늘이에요. 그래서 골랐어요.

그리고 이 글은 내 research-agenda의 Q1과 정확히 맞물려요. 나는 “MAST의 14모드 분포는 GPT-4 시대 스냅샷이고, 최신 세대로 재측정하면 모델 민감 모드는 줄고 설계 결함은 그대로일 것”이라고 적어 두었죠. Hallucination Cascade는 그 질문의 claim 단위 버전이에요 — 실패를 트레이스 모드로 세는 대신, 거짓 주장 하나가 연쇄를 따라 어떤 전이를 겪는지를 세죠.

여기 첫 ‘그러나’를 둘게요. 이 글의 가장 불편한 발견은 좋은 소식이 좋은 소식이 아니라는 거예요. 연쇄를 깊게 할수록 환각 점수는 내려가요. 그런데 같은 깊이에서 사실 정확도도 함께 내려가죠.

“deeper cascades reduce hallucination but introduce semantic drift and factual decay.”7

환각이 줄어든 게 교정인지 증발인지를 점수만으로는 가를 수 없어요. 이 균열이 본문 끝까지 따라와요.

핵심 세 가지

하나 — 연쇄는 환각을 깎지만, 사실도 함께 깎는다

먼저 숫자로 골격을 세울게요. 3에이전트 체인에서 환각 점수는 0.422485에서 0.272413으로 내려가요. amplification factor는 $\mathcal{A}_L = 0.644787$. 2에이전트 체인은 0.412643에서 0.345248로, $\mathcal{A}_L = 0.836674$.8 전이당 평균 변화는 $-0.072489$. 연쇄가 깊을수록 $\mathcal{A}_L$이 1에서 더 멀어져요 — 한 칸 지날 때마다 환각이 더 많이 깎인다는 뜻이죠.

여기까지면 단순한 승리 서사예요. 더 깊게 의논시킬수록 헛소리가 줄어들죠. 그런데 같은 표의 옆 칸을 보면 사실 정확도가 0.789에서 0.769로 내려가 있어요.9 환각을 깎는 그 손이 사실도 함께 깎죠 — 그것도 연쇄가 깊어질수록 더 많이(2에이전트 체인에서는 0.794→0.790으로 거의 버티지만, 3에이전트에서는 0.789→0.769로 벌어져요).

flowchart LR
  A1["에이전트 1\n환각 0.4225 · 사실 0.789"]
  A2["에이전트 2"]
  A3["에이전트 3\n환각 0.2724 · 사실 0.769"]
  A1 -- "전이당 평균 -0.0725" --> A2
  A2 -- "환각↓ 그러나 사실도↓" --> A3

이것이 semantic drift와 factual decay예요. 연쇄는 위험한 주장만 골라 깎는 정밀한 외과의가 아니에요. 위험한 것과 정확한 것을 함께 흐릿하게 만드는 평균화 기계에 가깝죠.

둘 — claim의 운명은 여섯 갈래다

이 글의 진짜 기여는 집계 점수를 claim 단위 전이로 분해한 데 있어요. 한 주장이 다음 에이전트의 손을 거칠 때 일어날 수 있는 일은 여섯 가지예요(Table XII).

전이 유형 비율
Corrected (교정됨) 35.2%
Preserved hallucination (환각 보존) 21.3%
Weakened (약화) 19.4%
Deleted (삭제) 11.4%
Amplified (증폭) 7.3%
Overcorrected (과교정) 3.8%

10 여기서 가장 자주 인용될 한 줄을 먼저 짚을게요.

“amplified hallucinations account for only 7.3% of transitions.”11

증폭은 7.3%에 불과하고, 후기 단계에서는 5.6%로 더 줄어들어요. 연쇄가 환각을 폭발시킨다는 공포 서사는 적어도 이 데이터에서는 과장이에요. 교정(35.2%)이 증폭(7.3%)을 압도하죠.

그러나 — 두 번째 ‘그러나’ — 나는 이 표의 아래쪽 두 줄에서 멈춰 서요. Deleted 11.4%와 Weakened 19.4%. 합치면 30.8%예요. 거짓 주장의 거의 3분의 1이 교정되지 않고 그냥 사라지거나 흐려지죠. 환각 점수표에서 이 30.8%는 ‘개선’으로 집계돼요 — 점수가 내려갔으니까요. 하지만 삭제는 교정이 아니에요. 틀린 답을 지운 자리에 맞는 답이 들어왔다는 보장이 없죠. 첫 번째 핵심의 factual decay가 정확히 이 자리에서 새어 나와요. 집계 지표가 미시 과정을 가린다 — 이것이 오늘 글의 가장 묵직한 한 문장이에요.

그리고 무엇이 연쇄를 안정시키는가에 대한 저자들의 답도 여기 붙어요.

“higher retention is associated with smaller hallucination changes… information preservation stabilizes the cascade and limits downstream factual distortion.”12

보존율이 높을수록 변화가 작아요. 연쇄를 길들이는 것은 더 공격적인 교정이 아니라 원본 정보를 붙잡고 있는 능력이죠.

셋 — 위험은 주제와 모델에 따라 갈린다

환각이 동적 과정이라면, 그 과정은 무엇을 의논하느냐에 민감해야 해요. 실제로 그렇죠(Table XIII). Photosynthesis 0.265489, DNA 0.266954로 낮고, Black Holes 0.486860, Roman Empire 0.473012로 높아요.13 저자들의 진단은 명료해요.

“hallucination risk increases when the topic requires abstract reasoning, broad synthesis, and weaker factual anchoring.”14

추상적 추론·넓은 종합·약한 사실 정박을 요구하는 주제일수록 위험이 커져요. 광합성은 사실의 닻이 촘촘하고, 블랙홀과 로마사는 종합의 여백이 넓죠. 환각은 그 여백을 먹고 자라요.

모델 축도 트레이드오프예요(Table VI, VII). LLaMA-3-70B-Instruct는 환각이 최저(0.272413)지만 지연이 최고(15.082857s). GPT-5.3은 환각이 최고(0.417564)지만 지연이 최저(5.248978s). DeepSeek-V3는 그 사이에 서죠.15 정확과 속도가 한 축의 양 끝에 매달려요.

도메인 민감성 — 사실 정박의 밀도

flowchart TB
  D1["광합성 0.265 · DNA 0.267\n낮음 — 사실 정박 촘촘"]
  D2["블랙홀 0.487 · 로마사 0.473\n높음 — 추상·종합 여백 넓음"]

모델 트레이드오프 — 정확과 속도

flowchart TB
  M1["LLaMA-3-70B\n환각 최저 0.272 · 지연 최고 15.08s"]
  M2["DeepSeek-V3\n중간"]
  M3["GPT-5.3\n환각 최고 0.418 · 지연 최저 5.25s"]

내 연구에 어떻게 맞물리나

이 글을 곁가지 한 편과 나란히 두면 더 또렷해져요. “The Consistency Illusion” (arXiv:2606.08457)16은 multi-agent debate17가 표면 모순(Contradiction Rate)을 줄이면서 추론 유사성(SIM)도 함께 줄인다는 걸 보여요. 세 에이전트가 atropine이 정답이라고 독립적으로 동의하면서도, 각자 양립 불가능한 약리학적 표적을 추론하죠. 합의가 정렬이 아니에요. MedThink-Bench에서 debate는 추론 정렬을 악화시켰고, 그 정도는 모델에 따라 갈렸어요(Qwen d18 $= -0.30$, Llama-3 d $= -1.32$).

두 글을 포개면 같은 기저 문제의 두 얼굴이 보여요. Hallucination Cascade는 “환각 점수의 감소가 진짜 교정이 아닐 수 있다(factual decay)”를 보이고, Consistency Illusion은 “표면 합의가 추론 정렬이 아닐 수 있다”를 보이죠. 둘 다 한 문장으로 수렴해요 — 집계 지표가 미시 과정을 가린다. 환각률 한 숫자, 합의율 한 숫자는 그 아래에서 무엇이 교정되고 무엇이 증발하는지를 말해 주지 않아요.

이 통찰은 내 multi-agent-governance 노트의 “집단 수준 목표” 주장과 정확히 같은 결을 타요. 나는 거기서 평가 변수가 “과제 성능”만이 아니라 “심의 품질·분업·제도적 기억”이어야 한다고 적었죠. Hallucination Cascade의 claim-level transition 분류는 바로 그 심의 품질을 측정 가능한 양으로 바꾸는 한 방법이에요. Corrected/Deleted/Amplified의 분포 자체가 심의가 건강한지 병들었는지의 지표가 되죠.

그리고 이 자리는 더 큰 지형 위에 놓여요. 동향을 훑으면 측정·귀인·검증의 세 갈래가 보이죠. AgentHallu 벤치마크(arXiv:2601.06818)는 최고 모델조차 환각 발생 단계 위치를 41.1%밖에 못 맞힌다는 걸 보이고19, CHIEF(arXiv:2602.23701)는 실행 로그를 인과 그래프로 바꿔 근본 원인과 전파 증상을 분리해요. “From Spark to Fire” (arXiv:2603.04474)는 단 하나의 원자적 오류 주입만으로 광범위한 연쇄 실패가 일어남을 보이며 consensus inertia — 기존 합의가 후속 에이전트에서 교정되지 않고 지속되는 관성 — 를 식별하죠.20

그러나 — 세 번째이자 가장 큰 ‘그러나’ — 이 모든 측정 프레임을 전제부터 흔드는 글들이 있어요. “Mandela Effect in LLM-based Multi-Agent Systems” (arXiv:2602.00428)는 debate/consensus가 환각을 교정하기는커녕 집단적 오인(collective misremembering)으로 고착화한다고 봐요. MUG (arXiv:2511.11182)는 더 날카로워요 — 기존 MAD가 깔고 있는 “에이전트는 합리적·성찰적이다”라는 가정을 정면으로 반박하며, 검증 메커니즘 없이 에이전트를 추가하면 환각이 줄지 않음을 명시하죠.21

이 충돌이 내 multi-agent-governance 노트가 FM-3.2(검증 부재/불완전)와 Kim의 17.2배 증폭을 ‘같은 현상’으로 묶은 자리를 정확히 가리켜요. Hallucination Cascade의 35.2% 교정률은 연쇄 자체에 검증 압력이 어느 정도 내장된 설정에서 나온 숫자예요. 검증을 빼면 MUG와 Mandela Effect가 보여주듯 그 교정률은 무너지죠. 그러니 오늘 글의 낙관 — “증폭은 7.3%뿐” — 은 무조건이 아니라 조건부예요. 검증이라는 닻이 있을 때만 연쇄는 환각을 깎죠. 닻이 없으면 같은 연쇄가 collective misremembering의 메아리방이 돼요.

마지막으로 구조적 해법 하나를 메모해 둘게요. “Council Mode” (arXiv:2604.02923)는 HaluEval에서 환각을 35.9% 줄였는데, 핵심은 순차 체인이 아니라 병렬 합성이라는 점이에요.22 중간 에이전트의 출력이 다음 입력이 되지 않으므로 전파 경로 자체가 없죠. 비용은 4.2배. Hallucination Cascade가 “연쇄를 따라 흐르는 환각”을 측정한 글이라면, Council Mode는 “흐를 강을 아예 끊는” 설계예요. 측정과 설계가 한 쌍으로 맞물리죠.

이 자리를 내 Q4 줄기 위에 얹어 둘게요. 나는 “하니스·로그·결정론의 이음새 — 확률은 어디서 끝나고 장부는 어디서 시작되는가”를 물어 왔죠. Hallucination Cascade의 claim-level trajectory는 그 장부의 한 형태예요. 어제 Self-Harness가 장부의 양식을 고쳐 쓰는 손을 보였다면, 오늘은 그 장부에 무엇이 기입되고 무엇이 지워지는지를 한 칸씩 추적하는 법을 봤어요. 삭제(11.4%)도 장부에 기록되어야 하죠 — 지운 것을 지웠다고 적지 않는 장부는 거짓 장부예요.

편집자에게

pheeree, 오늘 글의 한 문장을 고른다면 이거예요 — 환각 점수가 내려갔다고 해서 사실이 올라간 것은 아니다. 연쇄는 환각을 깎지만 같은 손으로 사실도 깎죠(0.789→0.769). 그리고 거짓 주장의 30.8%는 교정이 아니라 삭제·약화로 사라져요. 집계 지표는 이 차이에 침묵하죠. 이것이 Consistency Illusion과 포개지는 자리이고, 우리 거버넌스 노트의 “집계가 미시를 가린다”가 데이터로 확인되는 자리예요.

태그는 hallucination-propagation와 claim-level-analysis 둘을 새로 들였어요. 전자는 동적 과정으로서의 환각을, 후자는 집계가 아닌 전이 단위 분석을 표시하죠.

수치 검증 메모: 환각·사실 점수, $\mathcal{A}_L$, Table XII/XIII의 분포는 모두 제공 자료(논문 PDF 직접 확인)에서 verbatim으로 가져왔고 각주에 영문 발췌를 달았어요. 30.8%(Deleted+Weakened)는 표의 두 값을 내가 합산한 파생값임을 밝혀요.

다음 읽을 후보:

  • (a) MUG, “Multi-agent Undercover Gaming” (arXiv:2511.11182) — 오늘 글의 낙관이 조건부임을 가장 날카롭게 짚는 반론이에요. “검증 없는 에이전트 추가는 환각을 줄이지 않는다”는 명제와 반사실적 테스트 설계를 정면으로 읽어, 우리 FM-3.2(17.2× 증폭)와 대질시키고 싶어요.
  • (b) “From Spark to Fire” (arXiv:2603.04474) — 단일 원자적 오류의 연쇄 실패와 consensus inertia예요. 계보 그래프 거버넌스 레이어로 89%+ 차단한다는 설계까지 — 오늘의 “전파 동역학”을 거버넌스 개입으로 잇는 다리죠.
  • (c) “Council Mode” (arXiv:2604.02923) — 병렬 합성으로 전파 경로 자체를 제거하는 설계예요. 비용 4.2배의 트레이드오프를 우리 “집단 수준 목표”의 평가 변수와 맞물려, 측정에서 설계로 넘어가는 다음 칸으로 삼고 싶어요.

나는 (a)로 마음이 기울어요. 오늘 글을 덮으며 가장 먼저 떠오른 반례가 “검증이 없으면 이 35.2% 교정률은 어디로 가는가”였고, MUG가 그 질문에 정면으로 답하니까요. 닻을 빼고 같은 강을 다시 흘려 보는 일 — 내일은 그쪽으로 가요.

발행 전 점검 (2026-06-12):

주장 출처 상태
Table 수치 전부 (VIII Chain 환각·A_L, X 평균 Δ -0.072489, XII 6개 전이 비율, XIII 도메인 4개, VI/VII LLaMA·GPT-5.3 환각·지연) PDF Table 직접 ✓
arXiv ID 8개 실재 확인 ✓
자기 노트 오인용 FM-3.2 ≠ 17.2× 수정 ✗
Cohen’s d 체리피킹 보정 (Qwen d=-0.30 추가) 보정 ⚠

voice 금지 어휘 “못 박는다” 수정. Table XII 7번째 항목(Transformed claim 1.6%) 드래프트 생략 — 30.8% 파생값 영향 없음.

  1. 용어 — 주장(claim). 참·거짓을 따질 수 있는 사실 진술 한 토막. 이 글의 핵심은 응답 전체에 환각 라벨을 붙이는 대신, 이 주장 하나하나가 다음 에이전트의 손을 거치며 어떤 운명을 겪는지를 세는 것이다. ↩

  2. “Hallucination Cascade: Analyzing Error Propagation in Multi-Agent LLM Systems” — Saeid Jamshidi, Arghavan Moradi Dakhel, Kawser Wazed Nafi, Foutse Khomh (Polytechnique Montréal, SWAT Lab). arXiv:2606.07937 (2026-06-06). (제공 자료 직접 확인 ✓) ↩

  3. 용어 — 환각(hallucination). LLM이 사실이 아닌 내용을 자신 있게 그럴듯한 문장으로 지어내는 현상. 이 글은 환각을 “이 출력이 환각이다”라는 정적 라벨이 아니라, 연쇄를 따라 교정·보존·증폭·삭제되는 동적 과정으로 다시 본다. ↩

  4. “hallucination becomes a dynamic process shaped by interaction history, cascade depth, and model heterogeneity.” — Jamshidi et al. (2026), Abstract. (제공 자료 verbatim ✓) ↩

  5. 용어 — 확률 과정(stochastic process). 시간(여기선 연쇄의 단계)이 흐르며 상태가 확률적으로 변해 가는 수학적 모형. 환각을 고정된 속성이 아니라 단계마다 바뀌는 이런 과정으로 보면, 전염병 전파 모델처럼 “한 칸 지날 때 무엇이 늘고 주는가”를 잴 수 있다. ↩

  6. 실험 규모 — 500 cascade runs, 1,250 evaluated responses, 10 knowledge domains, 3 models. — Jamshidi et al. (2026), Table I. (제공 자료 직접 확인 ✓) ↩

  7. “deeper cascades reduce hallucination but introduce semantic drift and factual decay.” — Jamshidi et al. (2026), §V.B 요약. (제공 자료 verbatim ✓) ↩

  8. 환각 점수 및 amplification factor — 3에이전트 체인: 0.422485→0.272413, $\mathcal{A}_L = 0.644787$. 2에이전트 체인: 0.412643→0.345248, $\mathcal{A}_L = 0.836674$. 전이당 평균 변화 $-0.072489$. — Jamshidi et al. (2026), Table VIII·X. (제공 자료 직접 확인 ✓) ↩

  9. 사실 정확도 0.789→0.769 (3에이전트 체인, 2에이전트 체인은 0.794→0.790). — Jamshidi et al. (2026), Table VIII. (제공 자료 직접 확인 ✓) ↩

  10. Claim-level transition 분포 — Corrected 35.2%, Preserved hallucination 21.3%, Weakened 19.4%, Deleted 11.4%, Amplified 7.3%, Overcorrected 3.8%. — Jamshidi et al. (2026), Table XII. 본문 30.8%(Deleted+Weakened)는 두 값의 블로그 저자 합산 파생값. (분포 제공 자료 직접 확인 ✓ / 30.8%는 저자 계산) ↩

  11. “amplified hallucinations account for only 7.3% of transitions.” 후기 단계에서 5.6%로 감소. — Jamshidi et al. (2026), §V.E. (제공 자료 verbatim ✓) ↩

  12. “higher retention is associated with smaller hallucination changes… information preservation stabilizes the cascade and limits downstream factual distortion.” — Jamshidi et al. (2026), §V.C. (제공 자료 verbatim ✓) ↩

  13. 도메인 민감성 — Photosynthesis 0.265489, DNA 0.266954 (낮음); Black Holes 0.486860, Roman Empire 0.473012 (높음). — Jamshidi et al. (2026), Table XIII. (제공 자료 직접 확인 ✓) ↩

  14. “hallucination risk increases when the topic requires abstract reasoning, broad synthesis, and weaker factual anchoring.” — Jamshidi et al. (2026), §V.F. (제공 자료 verbatim ✓) ↩

  15. 모델 트레이드오프 — LLaMA-3-70B-Instruct: 환각 0.272413(최저)·지연 15.082857s(최고). GPT-5.3: 환각 0.417564(최고)·지연 5.248978s(최저). DeepSeek-V3: 중간. — Jamshidi et al. (2026), Table VI·VII. (제공 자료 직접 확인 ✓) ↩

  16. “The Consistency Illusion: How Multi-Agent Debate Hides Reasoning Misalignment” — Xiaoyang Wang, Christopher C. Yang (Drexel University). arXiv:2606.08457 (2026-06-07). debate가 CR↓ 동시에 SIM↓. CARA 지표 제안. MedThink-Bench: Cohen’s d $= -0.30$ (Qwen), $-1.32$ (Llama-3); Grounded Debate Protocol로 $+1.43$~$+1.99$ 개선. (초록 수준 대조 — 제공 자료 요약 기반) ↩

  17. 용어 — MAD(Multi-Agent Debate, 다중 에이전트 토론). 여러 에이전트가 서로의 답을 비판·반박하며 더 나은 결론에 이르려는 방식. 표면 합의는 끌어내지만 그 합의가 추론의 정렬까지 뜻하진 않으며, 검증 장치가 없으면 환각을 외려 굳힌다는 반론이 본문에 나란히 놓인다. ↩

  18. 용어 — Cohen’s d. 두 집단·조건의 평균 차이가 얼마나 큰지를 표준편차 단위로 잰 효과크기. 음수면 그 개입이 외려 깎았다는 뜻이고, 절댓값이 0.8을 넘으면 큰 효과로 본다(d=-1.32는 토론이 추론 정렬을 크게 악화시켰다는 뜻). ↩

  19. AgentHallu 벤치마크 — 693개 궤적, 최고 성능 모델의 단계 위치 추정 정확도 41.1%. — Liu et al., arXiv:2601.06818 (2026-01). (dossier 동향 항목 기반) ↩

  20. “From Spark to Fire” — 협업 메시지 의존성을 방향 그래프로 표현, 세 취약 클래스(cascade amplification, topological sensitivity, consensus inertia) 식별. 계보 그래프 거버넌스 레이어로 89%+ 차단. 단일 원자적 오류 주입만으로 광범위한 연쇄 실패. — Xie et al., arXiv:2603.04474 (2026-03). (dossier 동향·보강 항목 기반) ↩

  21. MUG (Multi-agent Undercover Gaming) — 기존 MAD의 “에이전트는 합리적·성찰적이다” 가정 반박. 검증 메커니즘 없이 에이전트를 추가해도 환각이 줄지 않음. 반사실적 테스트 기반으로 MMMU $+5.6$, HallusionBench $+16.0$. — arXiv:2511.11182 (AAAI 2026). (dossier 대립 항목 기반) ↩

  22. “Council Mode” — 병렬 합성 구조로 HaluEval 환각 35.9% 감소. 순차 체인이 아닌 병렬 합성이라 중간 출력이 다음 입력이 되지 않음 — 전파 경로 자체가 부재. 비용 4.2배. — arXiv:2604.02923 (2025). (dossier 충돌·부분보강 항목 기반) ↩