Naukowcy opracowali kontrolowany testbed do badania, jak informacja degraduje się, gdy przechodzi między agentami AI. Zamiast mierzyć jednokrotną generację, skupili się na tym co się dzieje przez 6 kolejnych etapów przekazywania - scenariusz bliższy rzeczywistym systemom agentalnym. Testowali pięć formatów: naturalne języki bez instrukcji, precyzyjnie instruowane języki naturalne, JSON, triple RDF oraz key-value, zawsze przekazując krótkie briefs z dwunastu faktów.
Wyniki okazały się zaskakujące i zależne od mocy modelu. Silne modele relay'u przy instrukcjach nakazujących wierność przesyłania prawie bez strat przechowywały informacje przez wszystkie 6 hopów - słynny "efekt gry w cichy telefon" nie występował. Nawet dodanie kognitywnego obciążenia na każdym etapie nie pogorszył fidelity formatu. Słabsze modele 1.5B parametrów jednak całkowicie inaczej reagowały - rozrzut dokładności między formatami wzrastał 8.7-krotnie w trakcie przesyłania, a format JSON okazywał się znacznie bardziej odporny na drift.
Badanie implikuje, że nie istnieje uniwersalny "najlepszy" format wiadomości dla systemów multi-hop. Podejścia optymalizujące format dla kosztów jednego kroku mogą być nieoptymalnie dla łańcuchów agentów. Architekci systemów agentalnych powinni dobierać format wiadomości do specyficznej mocy ich modeli relay'u, a nie stosować standardowe rozwiązania.