arXiv cs.CY· Roberto Passaro, Ariel Flint, Romualdo Pastor-Satorras, Andrea Baronchelli, Luca Maria Aiello·· 12 小时前AI 评分38
网络拓扑如何塑造 LLM 群体的共识与脆弱性
Network topology shapes consensus and vulnerability in LLM populations
AI 导读
研究将四个 LLM 的策略放入全连接、随机正则和异质网络，用 10^3 至 10^5 个智能体玩命名游戏，发现最稀疏网络使共识速度最多慢 12 倍，但保留持续邻居间的相关性可在部分混合交互下无法收敛的场景中恢复共识。
正文 · AI 翻译
摘要：随着大语言模型（LLM）被部署到相互交互的群体中，它们的集体行为不仅取决于模型本身，还取决于谁与谁交互。关于 LLM 群体中惯例形成的研究主要测试的是充分混合的交互。我们将从四个 LLM 中提取的策略置于全连接网络、随机正则网络和异质网络上，让 $10^3$ 到 $10^5$ 个智能体参与命名博弈。拓扑结构会影响共识出现的速度，有时甚至影响共识是否会出现，并且在少数情况下会影响哪种惯例胜出。最稀疏的网络会使共识形成速度最多减慢十二倍。然而，通过保留持续相邻节点之间的相关性，它们在某些于充分混合交互下无法收敛的情况下恢复了共识。网络还决定了对对抗性攻击的脆弱性。我们测量了推翻既有惯例所需的坚定智能体的临界规模。翻转阈值在不同模型和条件下遵循相同的排序：枢纽节点 $\leq$ 随机节点 $\leq$ 低度节点。在异质性最强的拓扑结构上，临界规模的中位数分别为 3%、16% 和 35%；针对枢纽节点所需的坚定智能体数量是随机放置的六分之一。对于大多数模型，网络化群体比充分混合群体更容易被翻转，因此充分混合的估计可能高估鲁棒性。评估多智能体 AI 的安全性需要厘清谁与谁交互。
| 学科： | 物理学与社会（physics.soc-ph）；人工智能（cs.AI）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2610.31165 [physics.soc-ph] |
| （或 arXiv:2610.31165v1 [physics.soc-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31165 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Roberto Passaro [查看电子邮件]
[v1]
2026年10月22日星期四 12:22:40 UTC（3,795 KB）
来源：arXiv cs.CY · arxiv.org