arXiv cs.MA· Guo Chen, Huaijin Xie, Ziwen Li, Reed Li, Yu Lu, Haibo Shi, Bingbing Xu, Junjie Huang·· 4 天前AI 评分27
当极端者进入 LLM 社会：EXAM 框架如何研究多智能体系统中的极端行为
When Extremists Enter LLM Societies: Investigating Extreme Behavior in Multi-Agent Systems
AI 导读
研究者提出 EXAM（EXtremist Agent Modeling）框架，可为 LLM 多智能体系统配置极端智能体，并精确控制其人口比例、空间分布、交互协议与测量接口。在国会选举、金融危机、疫情舆论和迭代囚徒困境四个场景中，规模小但持续存在的尾部群体均带来可测量的集体偏移，且该偏移依赖骨干模型与具体场景。
正文 · AI 翻译
摘要：大语言模型（LLM）智能体在多智能体社会模拟中日益充当计算行动者。现有工作强调代表性人物画像和平均情况行为，但社会科学表明，持续存在的尾部行动者可能不成比例地塑造集体动态。我们在受控的基于 LLM 的多智能体系统（LLM-MAS）中研究这一规律。在这些系统中，此类行动者无法被简化为固定的标量状态：提示词、自然语言历史记录和主干生成共同中介其行为与影响。我们首先分析了社会学中极端分子的三个属性，并基于 LLM 原生视角对 LLM 极端分子进行建模。我们提出 EXAM，一个极端分子智能体建模（EXtremist Agent Modeling）框架，能够为特定任务配置极端分子智能体，并精确控制其人口比例、空间分布、交互协议和测量接口。在四个场景中：国会选举、金融危机、疫情舆情和迭代囚徒困境，我们观察到小型持续尾部群体产生了可测量的、依赖于主干和场景的集体转变。EXAM 展示了这一社会科学规律如何通过基于 LLM 的社会模拟所特有的语言中介机制得以体现。
| 学科： | 多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.19863 [cs.MA] |
| （或 arXiv:2610.19863v1 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.19863 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Guo Chen [查看邮箱]
[v1]
2026年10月14日星期三 09:27:13 UTC（2,932 KB）
来源：arXiv cs.MA · arxiv.org