論文の概要: Triadic Werewolf: A Jester Role for Multi-Hop Theory of Mind in LLMs

• arxiv url: http://arxiv.org/abs/2606.27909v1
• Date: Fri, 26 Jun 2026 09:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.447471
• Title: Triadic Werewolf: A Jester Role for Multi-Hop Theory of Mind in LLMs
• Title（参考訳）: Triadic Werewolf: LLMにおけるマルチホップマインド理論におけるJesterの役割
• Abstract要約: 大規模言語モデルの理論・オブ・ミンド評価は、通常、ダイアド・ソーシャル・ディダクションゲームを使用する。 我々はWerewolfのゲームをJesterで拡張する。これは、ピア疑念に対するユーティリティが投票によって勝つため、逆転する第3の派閥である。 GPT-4.1、DeepSeek-V3.1、Llama-3.3-70Bでの60試合中、Jesterは60-70%で勝利し、Werewolvesは20%を超えなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Theory-of-mind evaluations of large language models typically use dyadic social-deduction games, where every observable cue points to a single hidden side, so a model with strong language priors can score well without ever simulating opponents' incentives. We extend the Werewolf game with a Jester, a third faction whose utility on peer suspicion is inverted because it wins by being voted out, so optimal play requires reasoning across three opposing utility functions. Across 60 games on GPT-4.1, DeepSeek-V3.1, and Llama-3.3-70B with Jester self-learning on and off, the Jester wins 60-70% of games while Werewolves never exceed 20%, and GPT-4.1 wolves vote the Jester out on day 1 in 60-70% of games, a strictly self-defeating action. Self-learning helps DeepSeek and Llama but hurts GPT-4.1, with the cost landing on Villagers rather than Werewolves. Only DeepSeek learns the subtle strategy of looking suspicious without looking intentionally suspicious, and it gains the most from the loop. Triadic incentive structure exposes a layer of multi-agent reasoning that dyadic deduction games leave invisible.
• Abstract（参考訳）: 大規模言語モデルの理論・オブ・ミンド評価では、通常、すべての観測可能なキューが単一の隠れた側面を指しているような、ダイアディックな社会的推論ゲームを使用するため、強い言語先行を持つモデルは、相手のインセンティブをシミュレートすることなく、うまくスコアを得られる。 Werewolfゲームは、ピア疑念に対するユーティリティが投票によって勝つために逆転している第3の派閥であるJesterによって拡張されるので、最適なプレイは3つの対立するユーティリティ機能にまたがる推論を必要とする。 GPT-4.1、DeepSeek-V3.1、Llama-3.3-70Bでの60試合中、JesterはJesterの自己学習で60-70%を獲得し、Werewolvesは20%を超えず、GPT-4.1オオカミは60-70%のゲームでJesterに投票した。 自己学習はDeepSeekとLlamaの助けになるが、GPT-4.1を損なう。 DeepSeekだけが、わざと疑うことなく不審に見えるという微妙な戦略を学び、ループから最も多くを得る。 トライアディックインセンティブ構造は、ダイアディック推論ゲームが見えなくなるというマルチエージェントのレイヤーを露呈する。

関連論文リスト

• Can Agents Deceive? Evaluating Reasoning and Deception in ParliamentBench using a Social Deduction Game [23.840355539083372]
  大規模言語モデル (LLM) は、医療や法体系などの高度な設定においてエージェントとしてデプロイされる。 我々は,情報非対称性の下での誤認,説得,推論を必要とするシナリオにおいてLLMを評価する。 本稿では,社会的推論,推論,虚偽の一貫性を分離する3つの新しい指標を紹介する。
  論文  参考訳（メタデータ） (2026-07-30T12:54:17Z)
• Enhancing Consistency of Werewolf AI through Dialogue Summarization and Persona Information [2.3101858435998346]
  ワイアウルフゲーム(Werewolf Game)は、プレイヤーの推論と議論のスキルが不可欠であるコミュニケーションゲームである。 本稿では,AIWolfDial 2024共有タスクのために開発されたWerewolf AIエージェントについて紹介する。
  論文  参考訳（メタデータ） (2026-03-07T08:41:46Z)
• Adversarial Learning in Games with Bandit Feedback: Logarithmic Pure-Strategy Maximin Regret [64.73231630190121]
  ゼロサムゲームを学ぶことは、ゲーム理論と機械学習の基本的な問題である。 ビジットフィードバックによるゼロサムゲームにおける対戦学習について検討し,最大戦略に対する障害を最小限に抑えることを目的とした。 我々は,Tsallis-INFアルゴリズムがゲーム依存パラメータ$c$で$O(c log T)$インスタンス依存後悔を実現することを示す。
  論文  参考訳（メタデータ） (2026-02-06T03:26:01Z)
• WOLF: Werewolf-based Observations for LLM Deception and Falsehoods [7.434408249978527]
  WerewolfをベースとしたマルチエージェントソーシャルベンチマークであるWOLFを提案する。 WOLFはプログラム可能なLangGraphステートマシンにロールグラウンドエージェントを埋め込む。 すべての言明は別個の分析単位であり、話者から自己評価された正直さと他者からのピアレーティングな騙しである。
  論文  参考訳（メタデータ） (2025-12-09T23:14:20Z)
• Beyond Survival: Evaluating LLMs in Social Deduction Games with Human-Aligned Strategies [54.08697738311866]
  Werewolfのようなソーシャル推論ゲームは、言語、推論、戦略を組み合わせている。 我々は,100時間以上のビデオ,32.4M発声トークン,15の規則変種を含む高品質で人間認証されたWerewolfデータセットをキュレートした。 本稿では,勝利派戦略を2段階の真理として活用する新たな戦略調整評価法を提案する。
  論文  参考訳（メタデータ） (2025-10-13T13:33:30Z)
• Verbal Werewolf: Engage Users with Verbalized Agentic Werewolf Game Framework [40.58507305270978]
  Werewolfのような社会的推論ゲームは、伝統的に言葉によるコミュニケーションを通して行われており、Large Language Models (LLMs) の理想的な応用である。 textbf Verbal Werewolfは2つの並列パイプラインを最適化する新しいLLMベースのゲームシステムである。
  論文  参考訳（メタデータ） (2025-05-30T18:58:57Z)
• Are Large Language Models Strategic Decision Makers? A Study of Performance and Bias in Two-Player Non-Zero-Sum Games [56.70628673595041]
  大規模言語モデル (LLM) は現実世界での利用が増えているが、その戦略的意思決定能力はほとんど探索されていない。 本研究は,Stag Hunt と Prisoner Dilemma のカノニカルゲーム理論2人プレイヤ非ゼロサムゲームにおける LLM の性能とメリットについて検討する。 GPT-3.5, GPT-4-Turbo, GPT-4o, Llama-3-8Bの構造化評価は, これらのゲームにおいて決定を行う場合, 以下の系統的バイアスの少なくとも1つの影響を受けていることを示す。
  論文  参考訳（メタデータ） (2024-07-05T12:30:02Z)
• Hoodwinked: Deception and Cooperation in a Text-Based Game for Language Models [0.0]
  Mafia と among Us に触発された $textitHoodwinked$ というテキストベースのゲームを紹介します。 プレイヤーは家に閉じ込められ、逃げるための鍵を見つけなければならないが、一方のプレイヤーは他のプレイヤーを殺すことが義務付けられている。 我々は, GPT-3, GPT-3.5, GPT-4によって制御されたエージェントを用いて実験を行い, 偽造と嘘検出能力の証拠を見いだした。
  論文  参考訳（メタデータ） (2023-07-05T17:22:09Z)
• Targeted Search Control in AlphaZero for Effective Policy Improvement [93.30151539224144]
  我々はAlphaZeroの新しい検索制御戦略であるGo-Exploitを紹介する。 Go-Exploitは、関心のある状態のアーカイブからセルフプレイトラジェクトリの開始状態をサンプリングする。 Go-Exploitは、標準のAlphaZeroよりも優れたサンプル効率で学習する。
  論文  参考訳（メタデータ） (2023-02-23T22:50:24Z)
• A Novel Weighted Ensemble Learning Based Agent for the Werewolf Game [0.0]
  ワイアウルフは世界中で人気のあるパーティーゲームであり、近年その重要性の研究が進んでいる。 本研究では,複雑な重み付きアンサンブル学習手法を用いて,Werewolfをプレイする洗練されたエージェントを作成した。
  論文  参考訳（メタデータ） (2022-05-19T19:19:29Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)

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。