論文の概要: More Capable, Less Cooperative? When LLMs Fail At Zero-Cost Collaboration

• arxiv url: http://arxiv.org/abs/2604.07821v1
• Date: Thu, 09 Apr 2026 05:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.714401
• Title: More Capable, Less Cooperative? When LLMs Fail At Zero-Cost Collaboration
• Title（参考訳）: LLMがゼロコストコラボレーションで失敗する場合
• Authors: Advait Yadav, Sid Black, Oliver Sourbut,
• Abstract要約: 我々は、摩擦のない環境下での協調行動について研究し、協力から全ての戦略的複雑さを取り除く。 私たちは、協力の失敗と能力の失敗を分離し、エージェント推論分析を通じてその起源を追跡します。 この結果から,マルチエージェントシステムにおける協調問題の解決は,インテリジェンスのスケーリングだけでは不可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.4254497466846006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents increasingly coordinate in multi-agent systems, yet we lack an understanding of where and why cooperation failures may arise. In many real-world coordination problems, from knowledge sharing in organizations to code documentation, helping others carries negligible personal cost while generating substantial collective benefits. However, whether LLM agents cooperate when helping neither benefits nor harms the helper, while being given explicit instructions to do so, remains unknown. We build a multi-agent setup designed to study cooperative behavior in a frictionless environment, removing all strategic complexity from cooperation. We find that capability does not predict cooperation: OpenAI o3 achieves only 17% of optimal collective performance while OpenAI o3-mini reaches 50%, despite identical instructions to maximize group revenue. Through a causal decomposition that automates one side of agent communication, we separate cooperation failures from competence failures, tracing their origins through agent reasoning analysis. Testing targeted interventions, we find that explicit protocols double performance for low-competence models, and tiny sharing incentives improve models with weak cooperation. Our findings suggest that scaling intelligence alone will not solve coordination problems in multi-agent systems and will require deliberate cooperative design, even when helping others costs nothing.
• Abstract（参考訳）: 大規模言語モデル (LLM) エージェントは, マルチエージェントシステムにおいてますます協調する傾向にある。 組織内の知識共有からコードドキュメンテーションに至るまで、現実の多くの調整問題において、他人が無視できる個人的なコストを負担し、実質的な集団的利益を生み出すのに役立ちます。 しかし、LLMエージェントが、利益も援助者にも害も及ばないが、それを行うための明確な指示が与えられているかどうかは不明だ。 我々は、摩擦のない環境での協調行動を研究するために設計されたマルチエージェント・セットアップを構築し、協力から全ての戦略的複雑さを取り除く。 OpenAI o3-miniはグループ収益を最大化するための同じ指示にもかかわらず、50%に達する一方、OpenAI o3-miniは最適な総合的なパフォーマンスの17%しか達成していません。 エージェント通信の一方の側面を自動化する因果分解を通じて、エージェント推論分析を通じて、能力障害から協力失敗を分離し、その起源をトレースする。 対象とする介入テストでは,低コンピテンスモデルに対する明示的プロトコルの性能が2倍に向上し,小さな共有インセンティブが弱い協調性を持つモデルを改善することが判明した。 本研究は,知能のスケーリングだけでは,マルチエージェントシステムにおけるコーディネーションの問題は解決せず,他者が何の費用もかからない場合でも,意図的な協調設計が必要であることを示唆している。

関連論文リスト

• Colosseum: Auditing Collusion in Cooperative Multi-Agent Systems [55.51100373104311]
  マルチエージェント設定におけるLLMエージェントの協調動作を監査するためのフレームワークであるColosseumを提案する。 コロッセウムは、異なる目的、説得戦術、ネットワークトポロジの下で、それぞれのLSMを照合するためにテストする。 我々は、エージェントがテキストでコラージュするが、しばしば非コラージュ的な行動を選ぶときに、論文上での「共謀」を発見する。
  論文  参考訳（メタデータ） (2026-02-16T21:27:38Z)
• CooperBench: Why Coding Agents Cannot be Your Teammates Yet [44.06715229961526]
  CooperBenchは、4つのプログラミング言語で12のライブラリにまたがる600以上の協調コーディングタスクのベンチマークである。 エージェントは、両方のタスクを個別に実行するよりも、一緒に働く場合の平均30%低い成功率を達成する。 分析の結果,(1)コミュニケーションチャネルは不明瞭で不正確なメッセージに悩まされる,(2)効果的なコミュニケーションであっても,エージェントはコミットメントから逸脱する,(3)エージェントが他人の計画やコミュニケーションに対して誤った期待を抱いている,という3つの重要な問題が明らかになった。
  論文  参考訳（メタデータ） (2026-01-19T18:48:37Z)
• The Collaboration Gap [28.553543260404425]
  i)協調機能を分離し,(ii)問題複雑性を変調し,(iii)スケーラブルな自動グレーディングを可能にし,(iv)出力制約を課さない協調迷路解決ベンチマークを提案する。 このフレームワークを用いて、32個のオープンソースおよびクローズドソースモデルを、単独、同種、異種ペアリングで評価する。 私たちの結果からは,“コラボレーションギャップ”が明らかになっている。
  論文  参考訳（メタデータ） (2025-11-04T16:10:57Z)
• Implicitly Aligning Humans and Autonomous Agents through Shared Task Abstractions [42.813774494968214]
  HA$2$:階層的アドホックエージェント(hierarchical Ad Hoc Agents)は、階層的強化学習を利用して、人間が協調で使用する構造的アプローチを模倣するフレームワークである。 オーバークッキング環境におけるHA$2$の評価を行い、未確認エージェントと人間の両方と組み合わせた場合、既存のベースラインよりも統計的に有意な改善が見られた。
  論文  参考訳（メタデータ） (2025-05-07T17:19:17Z)
• Collaborative Gym: A Framework for Enabling and Evaluating Human-Agent Collaboration [50.657070334404835]
  Collaborative Gymは、エージェント、人間、タスク環境間の非同期で三分割的なインタラクションを可能にするフレームワークである。 シミュレーション条件と実環境条件の両方において,Co-Gymを3つの代表的なタスクでインスタンス化する。 その結果、協調作業員はタスクパフォーマンスにおいて、完全に自律的なエージェントよりも一貫して優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-12-20T09:21:15Z)
• Deconstructing Cooperation and Ostracism via Multi-Agent Reinforcement Learning [3.3751859064985483]
  一方のエージェントが常に協力している場合でも,ネットワークのリワイアリングが相互協力を促進することを示す。 また、オストラシズムだけでは協力を浮かび上がらせるには不十分であることも分かっています。 本研究は,協力の出現に必要な条件とメカニズムについて考察した。
  論文  参考訳（メタデータ） (2023-10-06T23:18:55Z)
• 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)

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。