arXiv cs.AI· Mete Erdogan, Mirac Suzgun, Aneesh Pappu, Guowei Xu, Batu El, Andrew A. Schoen, Furong Huang, John P. Dickerson, Mert Pilanci, James Zou·· 11 小时前AI 评分34
多智能体 LLM 经济中的信息设计：披露越细未必越好
Who Should Know What? Empirical Information Design for Multi-Agent LLM Economies
AI 导读
研究者提出“经验信息设计”框架，在固定交互规则与模型的前提下，系统比较不同信息披露策略对 LLM 智能体市场表现的影响。
正文 · AI 翻译
摘要：多智能体 LLM 系统的性能不仅取决于底层模型的能力，还取决于信息共享策略，即规定每个智能体观察到哪些信息以及以何种详细程度观察的策略。但是，向 AI 智能体提供更详细的信息是否总能改善集体结果，还是透明度反而会降低效率？为研究这一问题，我们引入了经验信息设计，这是一个实验框架，在保持交互规则和模型固定的前提下，系统性地比较由 LLM 智能体构成的经济市场中的披露策略。我们在多资源交易、双边议价和双向拍卖中评估了十个前沿 LLM，并使用真实效用将已识别的机会与实际结果解耦。我们发现，更细粒度的信息披露会产生高度依赖模型的结果。在交易中，揭示精确估值而非序数偏好排序会降低 GPT-6 Sol 的实现收益（从最大值的 98% 降至 91%），却会提高 Claude Sonnet 5 的收益（从 72% 升至 86%）。在议价中，精确信息导致 Grok 4.7 产生较不均衡的协议，而 Claude Opus 5.5 则对称地分配收益。在双向拍卖中，完全披露会抬高价格要求，引发市场崩溃并降低福利，Gemini 3.1 Pro（97% 降至 78%）、Claude Opus 5.5（94% 降至 64%）和 Grok 4.7（97% 降至 62%）均受影响。总体而言，这些结果表明，模型选择和信息设计必须协同优化，因为 LLM 对信息的策略性反应对系统目标的影响各不相同。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.07667 [cs.AI] |
| （或 arXiv:2611.07667v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07667 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mete Erdogan [查看电子邮件]
[v1]
2026 年 11 月 5 日星期四 08:51:37 UTC（648 KB）
来源：arXiv cs.AI · arxiv.org