arXiv cs.AI· Khawaja Abaid Ullah, Ananya Acharya, Mohammad Javad Khojasteh·· 1 天前AI 评分34
去中心化 LLM 团队如何用于周界防御：共识机制与集中指挥的对比
Consensus Within, Competition Between: Decentralized LLM Teams for Perimeter Defense
AI 导读
在简化的周界防御模拟中，采用拍卖式共识机制的 LLM 团队突破率为 15%，低于集中指挥官的 32% 和独立智能体的 29%。五种网络条件下仅有限无线电范围会改变团队突破率，且让低成本 LLM 更多参与投标计算会使突破率上升 38 个百分点。面对伪装成标本鸟无人机的入侵者，近前沿模型在 59-61% 的决策中误判为鸟类而不追击，提示词中加入一句预警可将其降至 0-25%。
正文 · AI 翻译
摘要：使用大语言模型（LLM）协调多智能体团队引发了一个根本性的架构问题：任务分配应当集中到单个 LLM 控制器，还是分散到各个自主 LLM 智能体，尤其是在通信不可靠的情况下。在一项刻意简化的周界防御模拟中（对手由 LLM 控制），我们在五种网络条件下比较了中央指挥官、基于拍卖的共识团队和独立智能体。共识团队的突破率为 15%，指挥官为 32%，独立智能体为 29%；在不同网络条件中，只有有限的无线电通信范围改变了团队的突破率，使指挥官的突破率上升。在共识团队中，赋予低成本 LLM 更多竞价计算权限使突破率上升了 38 个百分点。当空域中出现鸟类和民用无人机时，我们在输入文本状态中为每种各添加了一张照片。只有接近前沿的模型将它们与入侵者区分开来。伪装成现有标本鸟无人机的入侵者被低成本 LLM 和接近前沿的 LLM 都误认为鸟类，在接近前沿模型的决策中有 59-61% 未被追击（此前为 1-16%）。然而，在提示中加入一句预警将其降至 0-25%。我们发现，配备专用外部冲突解决协议的 LLM 团队造成的突破最少。代码：此 https URL。
| 评论： | 88 页（33 页正文和参考文献，55 页补充材料），7 张主图。代码：此 https URL |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG）；机器人学（cs.RO） |
| 引用为： | arXiv:2610.41044 [cs.AI] |
| （或 arXiv:2610.41044v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.41044 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Khawaja Abaid Ullah [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 22:34:13 UTC（2,771 KB）
来源：arXiv cs.AI · arxiv.org