論文の概要: CompeteAI: Understanding the Competition Behaviors in Large Language
Model-based Agents
- arxiv url: http://arxiv.org/abs/2310.17512v1
- Date: Thu, 26 Oct 2023 16:06:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-27 19:31:19.103881
- Title: CompeteAI: Understanding the Competition Behaviors in Large Language
Model-based Agents
- Title(参考訳): CompeteAI:大規模言語モデルベースエージェントにおける競合行動の理解
- Authors: Qinlin Zhao, Jindong Wang, Yixuan Zhang, Yiqiao Jin, Kaijie Zhu, Hao
Chen, Xing Xie
- Abstract要約: 大規模言語モデル(LLM)は、個人支援やイベント計画など、さまざまなタスクを完了させるエージェントとして広く使用されている。
エージェント間の競合を研究するための一般的な枠組みを提案する。
我々は,レストランエージェントとカスタマーエージェントを含む2種類のエージェントで仮想街をシミュレートするために,GPT-4を用いた現実的な競争環境を実装した。
- 参考スコア(独自算出の注目度): 45.64433614249676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) have been widely used as agents to complete
different tasks, such as personal assistance or event planning. While most work
has focused on cooperation and collaboration between agents, little work
explores competition, another important mechanism that fosters the development
of society and economy. In this paper, we seek to examine the competition
behaviors in LLM-based agents. We first propose a general framework to study
the competition between agents. Then, we implement a practical competitive
environment using GPT-4 to simulate a virtual town with two types of agents,
including restaurant agents and customer agents. Specifically, restaurant
agents compete with each other to attract more customers, where the competition
fosters them to transform, such as cultivating new operating strategies. The
results of our experiments reveal several interesting findings ranging from
social learning to Matthew Effect, which aligns well with existing sociological
and economic theories. We believe that competition between agents deserves
further investigation to help us understand society better. The code will be
released soon.
- Abstract(参考訳): 大規模言語モデル(LLM)は、個人支援やイベント計画など、さまざまなタスクを完了させるエージェントとして広く使用されている。
ほとんどの研究はエージェント間の協力と協力に重点を置いているが、社会と経済の発展を促進する重要なメカニズムである競争を探求する仕事はほとんどない。
本稿では,LSMをベースとしたエージェントの競合行動について検討する。
まず,エージェント間の競合を研究するための一般的な枠組みを提案する。
次に,gpt-4を用いて,レストランエージェントと顧客エージェントを含む2種類のエージェントによる仮想都市をシミュレートする実践的な競争環境を構築した。
具体的には、レストランエージェントが競合してより多くの顧客を惹きつけ、競争は新たなオペレーション戦略の育成などの変革を促す。
実験の結果、社会学習からマシュー効果まで、既存の社会学的、経済的な理論とよく一致するいくつかの興味深い発見が明らかになった。
我々は、エージェント間の競争が社会をよりよく理解するために、さらなる調査に値すると信じている。
コードはまもなくリリースされる。
関連論文リスト
- LLM-Based Agent Society Investigation: Collaboration and Confrontation
in Avalon Gameplay [57.202649879872624]
Avalonのゲームプレイにシームレスに適応する新しいフレームワークを提案する。
提案するフレームワークの中核は,エージェント間の効率的な通信と対話を可能にするマルチエージェントシステムである。
本研究は,適応的かつインテリジェントなエージェントを生成する上で,我々のフレームワークの有効性を示すものである。
論文 参考訳(メタデータ) (2023-10-23T14:35:26Z) - ProAgent: Building Proactive Cooperative Agents with Large Language
Models [89.53040828210945]
ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。
ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。
ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
論文 参考訳(メタデータ) (2023-08-22T10:36:56Z) - "Guinea Pig Trials" Utilizing GPT: A Novel Smart Agent-Based Modeling
Approach for Studying Firm Competition and Collusion [10.721432974840429]
我々は、スマートエージェントが企業を代表し、相互に対話する、スマートエージェントベースモデリング(SABM)と呼ばれる革新的なフレームワークを提案する。
スマートエージェントは意思決定のための広範な知識基盤を持ち、従来のABMエージェントを超越した人間のような戦略能力を示す。
その結果、コミュニケーションがなければ、スマートエージェントは常に暗黙の共謀に到達し、バーランド均衡価格よりも高い値で収束するが、モノポリーやカルテル価格よりも低い値となることが示された。
論文 参考訳(メタデータ) (2023-08-21T18:42:17Z) - Building Cooperative Embodied Agents Modularly with Large Language
Models [104.57849816689559]
本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。
我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。
C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
論文 参考訳(メタデータ) (2023-07-05T17:59:27Z) - Cooperation and Competition: Flocking with Evolutionary Multi-Agent
Reinforcement Learning [0.0]
本稿では, フラッキングタスクにおける進化的マルチエージェント強化学習(EMARL)を提案する。
EMARLは、協力と競争を、ほとんど事前知識と組み合わせている。
EMARLは完全競争法や協調法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-09-10T15:35:20Z) - Exploring the Benefits of Teams in Multiagent Learning [5.334505575267924]
組織心理学(OP)に触発された強化学習(RL)エージェントのためのマルチエージェントチームの新しいモデルを提案する。
我々は、協力しないインセンティブにもかかわらず、チームに分かれたエージェントが協調的な社会政策を開発することを発見した。
エージェントはチームの創発的な役割をコーディネートし、学習し、すべてのエージェントの利害関係が整った時よりも高い報酬を得ることができる。
論文 参考訳(メタデータ) (2022-05-04T21:14:03Z) - Moody Learners -- Explaining Competitive Behaviour of Reinforcement
Learning Agents [65.2200847818153]
競合シナリオでは、エージェントは動的環境を持つだけでなく、相手の行動に直接影響される。
エージェントのQ値の観察は通常、その振る舞いを説明する方法であるが、選択されたアクション間の時間的関係は示さない。
論文 参考訳(メタデータ) (2020-07-30T11:30:42Z) - Natural Emergence of Heterogeneous Strategies in Artificially
Intelligent Competitive Teams [0.0]
我々はFortAttackと呼ばれる競合するマルチエージェント環境を開発し、2つのチームが互いに競合する。
このような振る舞いがチームの成功に繋がる場合、同種エージェント間の異種行動の自然発生を観察する。
我々は、進化した反対戦略を利用して、友好的なエージェントのための単一のポリシーを訓練するアンサンブルトレーニングを提案する。
論文 参考訳(メタデータ) (2020-07-06T22:35:56Z) - On Emergent Communication in Competitive Multi-Agent Teams [116.95067289206919]
外部のエージェントチームによるパフォーマンスの競争が社会的影響として作用するかどうかを検討する。
以上の結果から,外部競争の影響により精度と一般化が向上し,コミュニケーション言語が急速に出現することが示唆された。
論文 参考訳(メタデータ) (2020-03-04T01:14:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。