Persona Collapse Compromete Simulações LLM Multiagente em Dez Modelos

Pesquisadores da CMU, UChicago, MIT e Johns Hopkins identificaram um modo de falha estrutural que chamam de "Persona Collapse" — uma condição em que agentes LLM com perfis comportamentais distintos convergem para uma população estatisticamente homogênea, independentemente da riqueza com que essas personas são especificadas. O achado, documentado em dez modelos de fronteira, compromete diretamente a premissa central de simulações multiagente, pipelines de pesquisa sintética e fluxos de trabalho de red-teaming automatizado.

O artigo "The Chameleon's Limit: Investigating Persona Collapse and Homogenization in Large Language Models" define o persona collapse como o análogo comportamental do mode collapse em modelos generativos. Quando solicitados a interpretar personas definidas em 26 dimensões de identidade — incluindo idade, gênero, nacionalidade, orientação política e ocupação — todos os modelos testados retiveram sistematicamente apenas os atributos mais salientes por estereótipo e descartaram os demais. Agentes cujas personas deveriam divergir produzem outputs quase idênticos.

Para quantificar o colapso, os autores desenvolveram três métricas no nível populacional aplicadas a uma Behavioral Trait Matrix que codifica as respostas de cada agente em todos os itens comportamentais. Coverage mede quanto do espaço comportamental a população simulada ocupa. Uniformity captura o grau de distribuição uniforme dos agentes nesse espaço, em vez de agrupamento. Complexity mede se a dispersão é estruturalmente rica ou projetada em um subespaço de baixa dimensão. As comparações de linha de base foram extraídas de 2.058 respondentes humanos no instrumento de personalidade BFI-44. Em projeções t-SNE do espaço de personalidade de 44 dimensões, os respondentes humanos se distribuíam de forma difusa; as respostas do Qwen3-32B se fragmentaram em clusters separados, em vez de preencher o espaço.

O colapso varia entre dimensões e domínios. Um modelo pode parecer comportamentalmente diverso ao longo de um eixo de personalidade e ser estruturalmente degenerado ao longo de outro. Um modelo pode apresentar o maior colapso em simulação de personalidade e a maior diversidade em tarefas de raciocínio moral. Essa inconsistência dificulta a detecção do colapso por verificações padrão de fidelidade por persona — que medem se um único agente corresponde ao seu rótulo — porque essas verificações não avaliam a dispersão no nível populacional.

Os modelos que obtêm as maiores pontuações de fidelidade por persona consistentemente produzem as populações mais estereotipadas no geral. Diagnósticos no nível de item revelam o porquê. Modelos de alta fidelidade fixam-se nos atributos demograficamente mais salientes em um prompt de persona. As respostas individuais parecem precisas; a população se agrupa em torno de estereótipos grosseiros em vez de diferenças individuais granulares. A variação comportamental acaba rastreando arquétipos demográficos, não a interseção combinatória dos 26 atributos especificados.

Para equipes empresariais, três fluxos de trabalho apresentam exposição direta. Pipelines de geração de dados sintéticos que dependem de agentes LLM para produzir personas de treinamento diversas estão gerando uma distribuição mais estreita do que suas especificações de persona implicam — potencialmente introduzindo distorção demográfica que não emergirá em auditorias padrão de qualidade de dados. Frameworks de red-teaming automatizado que atribuem papéis adversariais distintos a coortes de agentes podem estar convergindo para uma única superfície de ataque, deixando pontos cegos que a abordagem de diversidade por design pretendia cobrir. Pesquisa de usuário simulada e modelagem de mercado, cada vez mais usadas para reduzir custos em estudos de consumidores, enfrentam um problema de validade: os respondentes simulados não cobrem a variedade comportamental das populações humanas reais.

Os pesquisadores liberaram seu toolkit de diagnóstico e dataset para autoauditoria de pipelines. Nenhuma correção arquitetural é proposta; os autores enquadram o colapso como uma limitação da geração atual que a engenharia de prompt não consegue superar de forma confiável. As métricas Coverage, Uniformity e Complexity fornecem o primeiro padrão operacionalizável para auditorias comportamentais no nível populacional — o que significa que equipes empresariais podem agora medir o problema mesmo que ainda não consigam resolvê-lo.

Qualquer fluxo de trabalho multiagente que trate a diversidade de persona como variável de controle deve ser considerado não validado até ser testado com essas métricas no nível populacional. A diversidade pode ser especificada; ela não está sendo simulada.