arXiv cs.MA· Isabel Jones, Matthew Edwards, Janina A. Hoffmann·· 3 天前AI 评分24
竞争激励下 LLM 共识形成的驱动因素：一项模拟研究
Drivers of LLM Consensus Formation Under Competing Incentives: A Simulation Study
AI 导读
一项基于 Network Consensus 游戏的模拟研究评估了 LLM 在竞争激励下达成共识的机制，测试了六个开源模型和 ChatGPT 5.6-sol。开源 LLM 达成共识的频率低于人类，且仅在消息可全网传播时才能实现；ChatGPT 5.6-sol 则能在仅与邻居通信甚至无通信能力时达成共识，这得益于其更低的固执性和更高的从众倾向。
正文 · AI 翻译
摘要：大型语言模型（LLM）越来越多地部署在会产生一致共识的多智能体环境中，这既包括需要协调的预期交互，也包括非预期的涌现交互。因此，理解具有相互竞争激励的 LLM 如何达成共识，对于更好地解释和设计 LLM 集体至关重要。我们引入了一种基于网络共识博弈的评估方法，以评估驱动这一过程的机制。在该博弈中，一个智能体网络必须就两种颜色之一达成一致才能获得收益，但智能体因所达成一致的颜色不同而获得不同的收益。我们改变通信权限和网络结构等要素，并评估了六个开源模型和一个闭源模型（ChatGPT 5.6-sol）。
我们发现，在可比实验中，开源 LLM 达成共识的频率低于人类，且只有在消息在整个全局网络中传播时才能达成共识。然而，ChatGPT 5.6-sol 能够在通信仅限于其邻居、甚至完全无通信能力的情况下达成共识。这是通过更低的固执程度和更高的从众倾向，以及在消息中提供更多关于其邻居状态的信息来实现的。然而，无论这些特征如何，将智能体置于高度聚集的图中都会降低共识，这表明系统设计和个体模型特征共同驱动集体结果。
| 主题： | 人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.20200 [cs.AI] |
| （或 arXiv:2610.20200v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20200 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Isabel Jones [查看电子邮件]
[v1]
2026年10月14日星期三 13:46:42 UTC（5,092 KB）
来源：arXiv cs.MA · arxiv.org