arXiv cs.MA· Hyeong Kyu Choi, Jiatong Li, Wendi Li, Xin Eric Wang, Sharon Li·· 11 小时前AI 评分38
多智能体 LLM 会互相探索吗？MACE 框架给出答案
Do Multi-Agent LLMs Explore Each Other?
AI 导读
研究发现现代 LLM 智能体在多智能体交互中往往缺乏有效探索，表现出短视和两极化的交互模式，导致协调效果不佳、后悔值上升。为此作者提出轻量框架 MACE，通过结构化同伴选择显式促进探索，在上下文与参数多样性设置下均显著改善探索行为和下游任务表现，并从理论上证明其期望后悔值达到次线性界。
正文 · AI 翻译
摘要：探索对于多智能体系统的可靠自主性至关重要，但大型语言模型（LLM）智能体在相互交互时能否有效探索仍不清楚。我们表明，现代 LLM 智能体往往无法做到这一点，表现出短视和两极化的交互模式，导致协调次优和后悔增加。我们将这一挑战形式化为多智能体探索问题，将其建模为部分可观测随机博弈（POSG），其中智能体必须探查同伴以推断其能力并识别有效的交互策略。为解决这一问题，我们引入了多智能体上下文探索（MACE），这是一个轻量级框架，通过结构化同伴选择显式促进探索。在上下文和参数多样性设置下，应用 MACE 后探索行为和下游任务性能均显著提升。我们进一步提供理论洞见，表明 MACE 达到了次线性期望后悔界。总体而言，我们的结果凸显了当前 LLM 智能体的一个根本性局限，并强调了显式引导探索对于可靠多智能体自主性的重要性。
| 评论： | NeurIPS 2026 IAEval Workshop（口头报告） |
| 主题： | 多智能体系统（cs.MA）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.11250 [cs.MA] |
| （或 arXiv:2607.11250v2 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.11250 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hyeong Kyu Choi [查看电子邮件]
[v1]
2026年7月13日星期一 08:34:05 UTC（1,821 KB）
[v2]
2026年10月16日星期五 04:07:51 UTC（1,816 KB）
来源：arXiv cs.MA · arxiv.org