arXiv cs.AI· Adrian Hayler, Shashank Reddy Chirra, Andrei Lupu, Johannes Forkel, Bidipta Sarkar, Siheng Feng, Jakob Foerster·· 10 小时前AI 评分38
LLM 智能体的零样本协作研究：前沿模型仍难协调，提出 Coordination-friendly definitions
Zero-Shot Coordination among LLM Agents
AI 导读
研究聚焦零样本协作（ZSC）场景下独立开发的 LLM 智能体，发现即便在隔离特定协作挑战的最小环境与通用 scaffold 中，前沿 LLM 智能体仍难以协调，主因是对协作问题理解有限、对伙伴信念推理薄弱。
正文 · AI 翻译
摘要：我们研究零样本协调（ZSC），即独立开发的智能体必须在测试时进行协调。虽然 ZSC 在强化学习文献中已有充分研究，但尽管 LLM 智能体在此类场景中的部署日益增多，人们对其性能的了解却少得多。现有的 LLM 协调工作通常依赖于专门构建的脚手架，而独立开发的智能体在实践中不太可能共享这些脚手架。此外，在复杂环境（如 Hanabi）上的评估难以 pinpoint 协调失败的来源。相比之下，我们专注于在最小环境中使用简单、通用的脚手架，这些环境旨在隔离特定的协调挑战。我们的结果表明，即使在这些受控环境中，前沿 LLM 智能体也难以协调，主要原因是它们对协调问题的理解有限，以及对伙伴信念的推理能力较弱。虽然 LLM 引入了语义信息作为协调的额外维度，但它们仍未能有效利用这一结构。为此，我们提出了协调友好定义（CFDs），作为一种使 LLM 智能体之间实现稳健协调的原则性方法。最后，我们表明 CFDs 可以被自动发现，从而无需手动工程。代码可在 此 https URL 获取。
| 评论： | NeurIPS 2026 Poster。ICLR 26 MALGAI Workshop Oral。前两位作者贡献相同 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06409 [cs.LG] |
| （或 arXiv:2611.06409v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06409 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shashank Reddy Chirra [查看电子邮件]
[v1]
2026年11月4日星期三 12:12:11 UTC（1,680 KB）
来源：arXiv cs.AI · arxiv.org