一篇题为 《The Hallucination Snowball》 的研究，将多智能体大语言模型流水线里的错误传播问题，抽象成连续的状态转移过程。它关注的不是某个模型偶尔答错，而是：一个早期错误，如何在后续协作中被继承、放大，最终变成看似完整的错误结论。
注：原始公开页面仅展示论文标题及平台说明，未提供摘要、实验规模、具体公式或结果数字；本文不对缺失信息作推断性补充。
传统的模型幻觉讨论，通常围绕一次问答展开：输入问题，模型输出答案，然后判断答案是否正确。但在真实的 Agent 系统中，任务往往会被拆成多个步骤，交给不同角色或不同工具执行。前一个节点的输出，可能直接成为下一个节点的输入。
真正棘手的地方，在于错误会继续向前流动。
注：流程图是对论文标题所指问题的概念化还原，不代表原文已公布的具体系统架构。
“Snowball”这个命名强调的是累积效应：一个小错误并不一定在下一步被纠正，也可能因为格式完整、语气确定，反而获得更高的可信度。到了最终输出阶段，读者看到的可能是一份结构清晰的报告，却很难追溯其中哪一环最先偏离事实。
如果只看最终答案，研究者很难区分：错误来自基础模型的知识缺口、Agent 的任务分解、工具调用失败，还是后续节点对错误信息的无条件接受。将过程描述为状态转移，至少提供了一种拆解方法。
重点是判断最终输出对不对。错误往往被压缩成一个结果标签。
重点是观察每个节点的状态，以及错误如何从一个节点传到下一个节点。
注：两张卡片不是性能对比，而是两种分析单位的区别；右侧强调的是过程可追踪性。
事实正确
局部不确定
错误被继承
错误完成交付
注：S0—S3为便于理解的示意状态，不是原始页面披露的正式分类或数值评分。
这类视角的价值，不在于给幻觉换一个更复杂的名字，而在于把“哪里应该设置检查点”这个工程问题提到台面上：是每一步都核验，还是只在高风险转移发生后介入？
原始页面没有提供论文摘要和案例详情，因此下面只用几个常见工作流说明“雪球效应”如何发生，不将其表述为论文已经验证的实验结果。
多智能体架构常被寄予“让不同角色互相检查”的期待。但如果各节点共享同一份错误上下文、使用相同的工具结果，或只被要求完成局部目标，它们可能只是从不同角度重复同一个错误。
注：标签云用于归纳风险来源；原始页面未给出各风险因素的权重、发生概率或实验排序。
因此，系统设计不能只增加 Agent 数量，还要回答几个更具体的问题：谁拥有事实核验权？哪些结论必须附带证据？一个节点发现冲突后，能否阻止流程继续？如果最终答案错了，能否定位到第一次错误转移的位置？
多一个 Agent，不等于多一层安全。
由于目前公开页面只呈现标题和平台通用说明，尚不能确认论文采用了哪一种状态空间、转移概率或实验设置，也不能确认它是否提出了新的检测算法。因此，现阶段不宜把它包装成已经证明某种 Agent 架构更可靠的结论。
这也是这类研究最容易被误读的地方：概念模型可以帮助行业建立共同语言，但共同语言本身不是可靠性指标，更不是产品安全证明。
多智能体系统的下一阶段竞争，不是让更多 Agent 同时工作，而是让每一次状态转移都留下证据、能够被质疑，并在出错时及时停止。
可按论文标题 The Hallucination Snowball: Modeling Error Propagation as State Transitions in Multi-Agent LLM Pipelines 检索公开论文页面，优先查看摘要、方法、实验与附录。
目前公开报道未提供产品体验地址或可直接运行的演示入口。