arXiv cs.MA· Jinyi Ye, Lei Cao, Ding Chen, Emilio Ferrara·· 12 小时前AI 评分36
LLM 社会模拟中的蝴蝶效应：从架构敏感性到鲁棒性审计
The Butterfly Effect in LLM Social Simulations: From Architecture Sensitivity to Robustness Audits
AI 导读
研究通过重复囚徒困境和社交媒体回音室实验，在四个 LLM 系列上考察表示与设计层面的扰动如何改变集体结果。仅改变匹配人格的表示方式，GPT-5.2 的双人合作率就偏移 75.2 个百分点，且多智能体交互会放大或衰减这种敏感性。作者提出 TRAILS 分类框架与 Social Simulation Audit Card，用于系统审计这类依赖关系并校准科学结论的适用范围。
正文 · AI 翻译
摘要：当局部扰动在系统中传播并使其集体结果产生分歧时，就会出现蝴蝶效应。在 LLM 社会模拟中，这给科学推断带来了一个特殊挑战：对实现选择的敏感性可能进入智能体交互，并改变科学论断所依据的集体结果。我们通过重复囚徒困境和社交媒体回音室来研究这一问题，涵盖四个 LLM 系列中表征层面和设计层面的扰动。我们发现，受控扰动可以显著改变集体结果，且敏感性因扰动和模型而异。在囚徒困境中，仅改变匹配人格的表征方式，就使 GPT-5.2 的双智能体合作率变化了 75.2 个百分点，而博弈框架和记忆表征产生的影响较小或不太一致。多智能体交互进一步重塑了表征敏感性，根据模型和扰动的不同产生放大或衰减。在回音室模拟中，人格表征改变了交互对象选择，并伴随集体交互结构的分歧，将表征敏感性从智能体行为扩展到网络层面的结果。这些结果表明，稳健性不能从单一模拟配置中推断，且局部敏感性在通过交互传播时可能发生变化。我们引入了 TRAILS（LLM 模拟稳健性审计分类法）和 Social Simulation Audit Card，作为一个框架，用于系统性地审计这些依赖关系，并根据支持它们的稳健性证据来校准科学论断的范围。
| 主题： | 多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.28981 [cs.MA] |
| （或 arXiv:2610.28981v1 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28981 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jinyi Ye [查看电子邮件]
[v1]
2026年10月20日星期二 23:13:27 UTC（3,302 KB）
来源：arXiv cs.MA · arxiv.org