論文の概要: Counterparty Modeling is Not Strategy: The Limits of LLM Negotiators

• arxiv url: http://arxiv.org/abs/2605.16575v1
• Date: Fri, 15 May 2026 19:27:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.71398
• Title: Counterparty Modeling is Not Strategy: The Limits of LLM Negotiators
• Title（参考訳）: 反対派モデリングは戦略ではない - LLM交渉の限界
• Authors: Romain Cosentino, Sarath Shekkizhar, Adam Earle, Silvio Savarese,
• Abstract要約: 大規模言語モデル (LLM) エージェントが, 制御された多属性交渉環境においてこれを行うかを検討した。 現在のLLMエージェントは、相手の好みをモデル化できるが、その知識を戦略的交渉に確実に変換することはできない。 エージェントはこの基盤となるユーティリティ構造を戦略的優位性のために利用できないため、最終的な合意は実際のユーティリティウェイトではなく、表面レベルのアンカーによって大きく規定される。
• 参考スコア（独自算出の注目度）: 29.84830992033132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Negotiation requires more than inferring what the other side wants: it requires using that information to make advantageous offers and counteroffers over multiple turns. We study whether large language model (LLM) agents do this in a controlled multi-attribute bargaining environment. We find that current LLM agents can model a counterparty's preferences, but do not reliably turn that knowledge into strategic bargaining. When given negotiating partner preference information, agents model it accurately and early in their reasoning traces, yet this does not reliably improve outcomes for the informed side. Turn-level analyses show why: agents often respond to what they believe the counterparty values, but do not consistently pair those moves with gains on their own high-value attributes. Sellers are more accommodating overall, and in asymmetric-information conditions, the informed side often makes the more weakly compensated concessions. Because agents fail to leverage this underlying utility structure for strategic advantage, their final agreements are heavily dictated by surface-level opening anchors rather than actual utility weights. Finally, requiring agents to explicitly state concession-for-reciprocity trades before making an offer makes individual turns look more strategic, but ultimately fails to improve the efficiency of the final agreements.
• Abstract（参考訳）: 複数のターンで有利なオファーやカウンターオフを行うために、その情報を使う必要があります。 大規模言語モデル (LLM) エージェントが, 制御された多属性交渉環境においてこれを行うかを検討した。 現在のLLMエージェントは、相手の好みをモデル化できるが、その知識を戦略的交渉に確実に変換することはできない。 交渉相手の選好情報を与えられた場合、エージェントは推論トレースを正確かつ早期にモデル化するが、これは情報側の結果を確実に改善するものではない。 ターンレベルの分析はその理由を示している: エージェントは、しばしば相手が信じる値に反応するが、それらの動きとそれ自身の高い値の属性の利得を一貫してペアリングしない。 売り手は全体的に宿泊しやすく、非対称情報条件では、情報側はより弱く補償された譲歩をすることが多い。 エージェントはこの基盤となるユーティリティ構造を戦略的優位性のために利用できないため、最終的な合意は実際のユーティリティウェイトではなく、表面レベルのアンカーによって大きく規定される。 最後に、オファーを行う前に、エージェントが利権・互恵貿易を明示的に宣言することを要求すると、個々のターンはより戦略的に見えるが、最終的な合意の効率を改善することに失敗する。

関連論文リスト

• TERMS-Bench: Diagnosing LLM Negotiation Agents Beyond Deal Rate [34.67393151003599]
  交渉はエージェント言語モデルのための標準的なテストベッドである。 数学やコードとは異なり、本質的な検証がない。 本稿では,環境自体を検証対象とするベイズゲームフレームワークであるTerms-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-13T06:22:50Z)
• Instructing LLMs to Negotiate using Reinforcement Learning with Verifiable Rewards [45.56436052535799]
  検証可能なリワードからの強化学習が,大規模言語モデルに交渉を効果的に教えることができるかを検討する。 我々は,中規模の買い手エージェントを,現実の商品を幅広く流通させた規制された売り手に対して訓練する枠組みを導入する。 以上の結果から,30Bエージェントは,余剰量を抽出する際の10倍のフロンティアモデルを大幅に上回る結果が得られた。
  論文  参考訳（メタデータ） (2026-04-10T19:35:39Z)
• Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
  貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。 本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。 この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
  論文  参考訳（メタデータ） (2026-04-10T03:04:20Z)
• MERIT Feedback Elicits Better Bargaining in LLM Negotiators [38.1466669265123]
  AgoraBenchは、9つの困難な設定にまたがる新しいベンチマークである。 これは、エージェントユーティリティ、交渉力、および交渉が人間の好みとどの程度うまく一致しているかを暗黙的に測定する買収比率を介して運用される。 我々のメカニズムは交渉性能を大幅に改善し、より深い戦略行動とより強力な敵意識をもたらす。
  論文  参考訳（メタデータ） (2026-02-11T03:09:45Z)
• Information Bargaining: Bilateral Commitment in Bayesian Persuasion [60.3761154043329]
  長期的説得のための統一的なフレームワークとよく構造化されたソリューションの概念を導入する。 この視点はゲーム構造の共通知識を明確にし、レシーバに匹敵するコミットメント能力を与える。 このフレームワークは、2段階の検証と推論のパラダイムによって検証される。
  論文  参考訳（メタデータ） (2025-06-06T08:42:34Z)
• How Well Can LLMs Negotiate? NegotiationArena Platform and Analysis [50.15061156253347]
  人間は自動車の価格から共通の資源の共有方法まで、あらゆることを交渉する。 大規模言語モデル(LLM)を人間の代理エージェントとして使うことへの関心が急速に高まっているため、そのようなLLMエージェントも交渉できる必要がある。 我々は,LLMエージェントの交渉能力を評価し,検証するためのフレキシブルなフレームワークであるNegotiationArenaを開発した。
  論文  参考訳（メタデータ） (2024-02-08T17:51:48Z)

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。