# When Stress Becomes Signal: Detecting Antifragility-Compatible Regimes in Multi-Agent LLM Systems

### 저자

Jose Manuel de la Chica, Juan Manuel Vera, Jairo Rodriguez

### 💡 개요

본 논문은 다중 에이전트 LLM 시스템에서 성능 저하 대신 '의미론적 스트레스'가 미래의 항취약 학습(antifragile learning)을 지원하는 구조적 변화를 유발하는지 탐구합니다. 이를 위해 CAFE(Cognitive Antifragility Framework for Evaluation)라는 통계적 프레임워크를 제안하여, 통제된 예상 스트레스 분포와 관찰된 효과적 스트레스 분포를 비교합니다. 분석 결과, 즉각적인 성능 저하에도 불구하고 통계적으로 감지 가능한 항취약 학습 가능 영역이 존재함을 보여줍니다.

### 🔑 시사점 및 한계

- 다중 에이전트 LLM 시스템은 외부 스트레스에 대해 단순히 강건한(robust) 것을 넘어, 스트레스를 통해 오히려 학습하고 발전하는 항취약성(antifragility)을 가질 잠재력이 있음을 시사합니다.

- CAFE 프레임워크는 항취약 학습 자체를 수행하는 것이 아니라, 이러한 항취약 학습이 적용될 만한 영역과 조건을 식별하는 데 유용한 측정 도구로 활용될 수 있습니다.

- 본 연구는 CAFE가 항취약 학습에 적합한 '체제'를 탐지할 수 있음을 보여주지만, 실제 항취약 학습을 구현하고 성능을 향상시키는 방법에 대한 직접적인 해법을 제시하지는 않습니다.

[PDF 보기](https://arxiv.org/pdf/2605.02463)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).