في عالم أنظمة الوكلاء المتعددة المعتمدة على نماذج اللغات الضخمة (LLMs)، أصبحت مشكلة توزيع نسب المساهمة بين الوكلاء قضية مركزية. تُنتَج المخرجات النهائية عبر تفاعل عدة وكلاء، مما يتطلب اعتمادًا على تبادل الرسائل واستجابات مرتبة تتوقف على بعضها البعض. قد تعتمد الطرق الحالية لتوزيع هذه النسب في كثير من الأحيان على تقييمات مضادة، مثل إزالة الوكلاء أو مقارنة التغيرات في الدرجات عبر مجموعات مختلفة من الوكلاء.

لكن مع الأساليب القائمة على اللغة، تحتاج هذه الطرق إلى استدعاءات متكررة للنموذج، مما يقدم تباينًا عاليًا ولا يلتقط حالات الدلالة الوسيطة التي من خلالها ينتج الوكلاء المعلومات المهمة.

هنا يأتي دور إطار عمل "ألعاب تعاونية دلالية" (Semantic Cooperative Games) الذي يمثل تدفق اللغة المحقق كرسم بياني دلالي مُنتَج، ويطبق وظيفة قيمة دلالية على هذا الهيكل. نقدم قيمة شابلي الدلالية (Semantic Shapley Value) لتوزيع المساهمات وفقًا للمنطق الدلالي.

يتم تقديم خوارزمية SLIC، وهي خوارزمية مسار فردي، التي تبني الرسم البياني الدلالي، وتستعيد الدعم الدلالي الأدنى، وتطبق الامتصاص البوليني، وتحسب قيمة SSV دون الحاجة لإعادة تشغيل مجموعات الوكلاء. وتظهر النتائج أن SSV تتقلص إلى القيمة الشابلي التقليدية تحت ظروف مُبرمَجة ونموذجية.

وعلى مقياس طبي يتوافق مع هذه الشروط، تساهم SLIC في تخفيض تكلفة الحساب بنسبة 93.3% في حين تحتفظ بتوافق عالٍ مع سطح مونت كارلو الذي يعتمد على القيمة الشابلية.

في مجالات العمل المتعددة المهيكلة بشكل أكثر عمومية، يتماشى SSV مع ملفات الأثر الناتجة عن التغييرات المزعجة، مما يكشف عن الحالات التي تتباين فيها المساهمات الدلالية وفشل الأنظمة.

بشكل عام، تتيح SLIC طريقة سريعة وفريدة لجذب المساهمات بطريقة خالية من التقييمات المضادة وسهلة الفهم في أنظمة الوكلاء المتعددة المدعومة بنماذج اللغات الضخمة.