注意安定性境界の彼方へ：エージェント型自己合成推論プロトコル

要旨: LLMエージェントが自律的なデジタル同僚へ移行するにつれ、非線形な多ターン会話において決定論的な目標指向性を維持することが、アーキテクチャ上のボトルネックとして浮上しました。私たちは、デコーダのみの自己回帰型Transformerにおける「Attention Latch（注意ラッチ）」と呼ぶ体系的な失敗モードを特定し、形式化します。この現象は「Information Over-squashing（情報の過剰圧縮）」の行動上の現れであり、過去の文脈に対する累積的な確率的重みが、タスク途中の更新を上書きしてしまうときに起こります。その結果、明示的な矛盾する指示があるにもかかわらず、エージェントが時代遅れの制約に固定されたままとなります。私たちは、自己合成推論プロトコル（Self-Synthesizing Reasoning Protocols; SSRP）を提案します。SSRPは、ハイレベルなアーキテクチャ計画（Architect）と、ターンごとの手続き実行（Executive）との間に離散的な分離を実装するメタ認知的枠組みです。私たちは、MultiWOZ 2.2データセットを用いて9Kの軌跡（トラジェクトリ）に対してSSRPを評価し、さらに新しい指標であるAggregate Pivot Accuracy（APA）を用います。APAは、そのスコアを「U字型の『真ん中で失われる（Lost in the Middle）』」曲線に対応づけることで検証します。実験は3つの段階で提示します：浅い想起ベースのリトリーバル・パイロット、ハイエントロピーSOP（SOP）、そして意味が乗っ取られた3ホップのMulti-Fact Synthesisタスクです。結果から、Attention Stability Boundary（注意安定境界）を経験的に特定します。ここでは、GPT 5.4におけるステートレスなVanilla ReActのベースラインは成功率0.1%へ崩壊する一方で、SSRPは715Xの耐性向上（Resilience Lift）を達成します。Gemini 3.1 Pro、Claude Sonnet 4.6、DeepSeek V3.2において、統計的に有意な改善を示します。監査により、再帰的なリフレクションのベースライン（100%成功）を用いて注意の逸脱を証明することで、SSRPが必要であることが確認されます。さらに、等距離ストレステスト（90%精度）によってラッチを位置バイアスから切り離すことも確認されます。加えて、情報ボトルネック原理と粒度アブレーションによりSSRPを形式化します。手続き整合性監査（98.8%遵守）は、高安定性モデルがリトリーバルと推論の汚染のもとで幻覚を拒否することで失敗する「Grounding Paradox（グラウンディングのパラドックス）」を明らかにします。