通才和专才社交网络中的信念协同演化 大语言模型

大语言模型 (LLM) 越来越多地部署在多代理环境中。然而，信念在相互作用的 LLM 之间形成和传播的过程仍然知之甚少。我们引入 CoevolveSim，一个用于研究网络 LLM 群体中的信念扩散的框架。 CoevolveSim 使我们能够分离和研究三个因素：领域专业化、社会角色分配和社交网络结构。在此框架内，通才和专家 LLM 代理交换和修正信念。在每一轮中，LLM 代理在更新自己的信念之前都会观察其邻居信念的摘要。我们运行了 1,280 次受控模拟，涵盖四种场景、两种网络结构和 20 种医疗适应症声明。我们发现角色风格的角色分配和网络结构重塑了个人信念修正，但对群体共识的影响很小。相比之下，引入（微调的）专家 LLM 会使共识的转变增加一倍以上，并导致施加影响力的一致不对称。我们进一步表明，简单的基于持久性的意见动态模型在全通才 LLM 群体中再现了集体结果，而异质 LLM 群体需要群体水平的信念构成来再现共识和智能体身份来预测个体信念转变。我们的结果表明，多智能体 LLM 系统中信念扩散的真实模拟需要一组不同的底层 LLM，而不是单独的角色提示。