异质 LLM 仿真中分离模型与角色的作用

摘要

使用大语言模型 (LLM) 的多智能体模拟通常使用单个基本模型操作智能体网络。这忽略了模型间的影响，而模型间的影响可能主导现实世界部署中的参与动态。为了证明这一点，我们模拟了一个由几种不同的基本模型提供支持的异构社交网络，并表明智能体收到的参与量更多地取决于其基本模型，而不是其分配的角色。当混合中添加更多模型时，基本模型的吸引或排斥效应会急剧增强，这表明网络动力学可能会大规模收敛到基本模型效应。为了帮助解释这种效应，我们进行了一系列内容中介分析，显示了跨上下文的基本模型的可预测性以及模型的词汇模式和参与最大化风格之间的关系。鉴于大规模多智能体相互作用的最新发展，这项工作强调了异质成分在驱动这些网络结果中的相关性

异质 LLM 仿真中分离模型与角色的作用：论文原图 — 图 1：左图：随机选择的 40 个智能体社交网络模拟的交互图（点，越大意味着入度越高），由运行智能体的基本模型着色。和弦的宽度显示每个基础模型收到的回复数量（该模型驱动的智能体的总和），而和弦的颜色表示回复的来源。 self $n$ 表示来自同型号智能体的流量有多少。 $H$ 在第 3.2 节中定义。右图：四向奔跑中的一种互动。 gpt-oss 智能体的帖子和另一个模型运行的智能体的第一个回复。