論文の概要: Cooperate to Compete: Strategic Coordination in Multi-Agent Conquest

• arxiv url: http://arxiv.org/abs/2604.25088v1
• Date: Tue, 28 Apr 2026 00:48:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.644987
• Title: Cooperate to Compete: Strategic Coordination in Multi-Agent Conquest
• Title（参考訳）: 競争への協力:マルチエージェント・コンクエストにおける戦略コーディネート
• Authors: Abigail O'Neill, Alan Zhu, Mihran Miroyan, Narges Norouzi, Joseph E. Gonzalez,
• Abstract要約: 我々は1,100以上のゲームを実行し、16,000以上のプライベートな会話を行い、合計で152万のトークンと15万以上のプレーヤーアクションを実行した。 我々は,人間とAIの交渉行動に有意な差異を見出した。 その結果,C2C は LM ベースのエージェントを研究・構築するためのテストベッドとして確立された。
• 参考スコア（独自算出の注目度）: 28.777860535209072
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language Model (LM)-based agents remain largely untested in mixed-motive settings where agents must leverage short-term cooperation for long-term competitive goals (e.g., multi-party politics). We introduce Cooperate to Compete (C2C), a multi-agent environment where players can engage in private negotiations while competing to be the first to achieve their secret objective. Players have asymmetric objectives and negotiations are non-binding, allowing alliances to form and break as players' short-term interests align and diverge. We run AI only games and conduct a user study pitting human players against AI opponents. We identify significant differences between human and AI negotiation behaviors, finding that humans favor lower-complexity deals and are significantly less reliable partners compared to LM-based agents. We also find that humans are more aggressive negotiators, accepting deals without a counteroffer only 56.3% of the time compared to 67.6% for LM-based agents. Through targeted prompting inspired by these findings, we modify agents' negotiation behavior and improve win rates from 22.2% to 32.7%. We run over 1,100 games with over 16,000 private conversations totaling 15.2 million tokens and over 150,000 player actions. Our results establish C2C as a testbed for studying and building LM-based agents that can navigate the sophisticated coordination required for real-world deployments. The game, code, and dataset may be found at https://negotiationgame.io/c2c.
• Abstract（参考訳）: 言語モデル(LM)に基づくエージェントは、長期的な競争目標(複数政党政治など)の短期的な協力をエージェントが活用しなければならない、混合モチベーション環境ではほとんどテストされていない。 プレイヤーが秘密の目的を最初に達成するために競争しながらプライベートな交渉を行うマルチエージェント環境であるCooperate to Compete(C2C)を紹介する。 プレイヤーは非対称な目標を持ち、交渉は非拘束的であり、プレーヤーの短期的な利益が一致し分散するにつれて、アライアンスの形成と崩壊を可能にする。 AIゲームのみを実行し、AI相手に対して人間のプレイヤーを悩ませるユーザスタディを実行します。 我々は、人間とAIの交渉行動に有意な違いを見出し、人間は低複雑さの取引を好んでおり、LMベースのエージェントに比べて信頼性の低いパートナーであることが判明した。 また、人間はより攻撃的な交渉者であり、LMベースのエージェントの67.6%に比べて56.3%の時間しか対決しない取引を受け入れている。 これらの発見に触発されて、エージェントの交渉行動を変更し、勝利率を22.2%から32.7%に改善する。 我々は1,100以上のゲームを実行し、16,000以上のプライベートな会話を行い、合計で152万のトークンと15万以上のプレーヤーアクションを実行した。 実世界の展開に必要な高度調整をナビゲートできるLMベースのエージェントを研究・構築するためのテストベッドとして,C2Cを確立した。 ゲーム、コード、データセットはhttps://negotiationgame.io/c2cで見ることができる。

関連論文リスト

• Promoting Cooperation in the Public Goods Game using Artificial Intelligent Agents [0.0]
  計算進化モデルを用いて、AIエージェントがプレイヤーの動作を模倣した場合のみ、協調のための重要なシナジー閾値が低下することがわかった。 このことは、人間のプレイヤーを模倣するAIエージェントを設計することで、AIを活用して社会的ジレンマにおける集団的幸福を促進することができることを示唆している。
  論文  参考訳（メタデータ） (2024-12-06T22:16:21Z)
• Human-Agent Coordination in Games under Incomplete Information via Multi-Step Intent [21.170542003568674]
  自律エージェントと人間のパートナー間の戦略的調整はターンベースの協調ゲームとしてモデル化できる。 不完全な情報の下でターンベースのゲームを拡張し、プレイヤーが単一のアクションではなく、ターンごとに複数のアクションを実行できるようにする。
  論文  参考訳（メタデータ） (2024-10-23T19:37:19Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• 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)
• Improving Language Model Negotiation with Self-Play and In-Context Learning from AI Feedback [97.54519989641388]
  交渉ゲームにおいて,複数大言語モデル(LLM)が,遊び,振り返り,批判によって自律的に互いに改善できるかどうかを検討する。 私たちが考慮している言語モデルのサブセットだけが、AIフィードバックから自己プレイし、取引価格を改善することができます。
  論文  参考訳（メタデータ） (2023-05-17T11:55:32Z)
• Towards Effective and Interpretable Human-Agent Collaboration in MOBA Games: A Communication Perspective [23.600139293202336]
  本稿は,MOBAゲームにおける人間とエージェントのコラボレーションを調査するための最初の試みである。 我々は,効率的なメタコマンド・コミュニケーション・フレームワークを設計することにより,人やエージェントが明示的なコミュニケーションを通じて協調することを可能にすることを提案する。 我々は、MCCエージェントが人間のチームメイトと合理的に協力できることを示し、また、異なるレベルのチームメイトと、人間のチームメイトの数とのコラボレーションを一般化することも示している。
  論文  参考訳（メタデータ） (2023-04-23T12:11:04Z)
• Mastering the Game of No-Press Diplomacy via Human-Regularized Reinforcement Learning and Planning [95.78031053296513]
  ノープレス外交(No-press Diplomacy)は、協力と競争の両方を含む複雑な戦略ゲームである。 我々は、人間の模倣学習ポリシーに対する報酬最大化ポリシーを規則化する、DiL-piKLと呼ばれる計画アルゴリズムを導入する。 RL-DiL-piKLと呼ばれる自己再生強化学習アルゴリズムに拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-11T14:47:35Z)
• Negotiating Team Formation Using Deep Reinforcement Learning [32.066083116314815]
  深層強化学習を用いてチームを交渉・形成するための訓練エージェントのための枠組みを提案する。 我々は,非空間的および空間的に拡張されたチーム・フォーム交渉環境に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2020-10-20T15:41:23Z)
• Multi-Agent Collaboration via Reward Attribution Decomposition [75.36911959491228]
  本稿では,StarCraftのマルチエージェントチャレンジにおいて,最先端のパフォーマンスを実現するコラボレーション型Q-ラーニング(CollaQ)を提案する。 CollaQは様々なStarCraft属性マップで評価され、既存の最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T17:42:11Z)

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。