推理努力和通信拓扑下多智能体大语言模型的集体机制

多Agent大语言模型系统越来越多地用于审议和评估，通常假设更多的同行互动会带来更可靠的共识。现有的工作主要通过最终准确性或总体协议来评估这些系统。然而，这些措施并没有揭示专家组中的协议是如何组织的。在本文中，我们研究了\(N=50\)无状态LLMAgent，它们从本地可见的同行更新他们的预测，并使用全局和本地一致性测量来表征他们的行为。我们确定了三种集体制度：同步的、扭曲的（局部有序但全局不连贯）和嵌合体状，其中连贯和不连贯的亚群共存。 gpt-5-mini 中不断增加的推理工作将面板从可变的、通常分散的结果转变为局部有序的扭曲状态，并且一个小的后续研究表明，这种状态也可以从排列的初始条件形成，而增加的通信连接性则推动它们走向全局同步。随着重新连线图上代数连通性的增加，碎片崩溃得更快。拓扑效应也出现在非循环判断任务以及来自三个提供商的模型上。最后，低空间异质性并不能保证全球共识：$ΔZ$ 低于 0.03 的试验中有 40\% 在最后 20 圈中保持扭曲配置。这些结果表明，推理工作和通信拓扑控制多智能体协调的不同方面，并且仅聚合协议不足以表征集体 LLM 行为。