論文の概要: When Shippers Become Algorithms: Candidate Exposure, Information Design, and the Concentration of LLM-Mediated Freight Markets
- arxiv url: http://arxiv.org/abs/2607.19967v1
- Date: Wed, 22 Jul 2026 09:51:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.050869
- Title: When Shippers Become Algorithms: Candidate Exposure, Information Design, and the Concentration of LLM-Mediated Freight Markets
- Title（参考訳）: 入荷者がアルゴリズムとなるとき--候補公開、情報デザイン、LLM媒介貨物市場の集中
- Abstract要約: 運送業者は、大型言語モデル(LLM)エージェントにキャリアの選択を委譲し始めている。
このようなデリゲートが貨物マッチング市場にどのような影響を及ぼすのか、どのプラットフォーム設計がそれを含んでいるのかを問う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shippers are beginning to delegate carrier selection to large language model (LLM) agents. We ask what such delegation does to a freight matching market, and which platform design choices contain it. We carried out agent-based simulations in which fifty shipper agents, built on commercial LLMs from OpenAI (GPT), Anthropic (Claude), and Google (Gemini), procure truckload capacity for thirty days. The market implements the rules of digital freight matching: each load is offered down the shipper's ranked list of carriers (waterfall tendering), carriers have daily capacity limits, spot prices respond to congestion, and carrier ratings accumulate with transactions. We found three risks and one remedy that works. Agents converged at once: for a fixed sampled carrier population, the same carrier was the modal first choice of every model on day one, attracting up to 76% of requests. Because each agent picks from its own randomly drawn list of displayed candidates, the platform controls how many options each shipper sees; concentration rose steeply once lists exceeded about ten carriers, with the onset differing across models. Which carriers ended up dominant varied widely from one sampled market to another, and displaying true quality instead of estimated ratings changed neither the level nor this variability (by design, quality affects only what agents see, never delivery outcomes). Against these risks, disclosing each carrier's remaining daily capacity cut concentration by a third and doubled shipper surplus, while vendor diversification, list-order randomization, and popularity display showed no clearly detectable effect. Platform information design, ahead of model choice or model regulation, is the lever that works.
- Abstract（参考訳）: 運送業者は、大型言語モデル(LLM)エージェントにキャリアの選択を委譲し始めている。
このようなデリゲートが貨物マッチング市場にどのような影響を及ぼすのか、どのプラットフォーム設計がそれを含んでいるのかを問う。
我々は,OpenAI (GPT) , Anthropic (Claude) , Google (Gemini) の商用 LLM をベースとした50の船員エージェントを30日間積載するエージェントベースシミュレーションを行った。
市場はデジタル貨物マッチングのルールを実装しており、各積み荷は運送業者のランク付けされた運送業者のリスト(降水傾向)で提供され、運送業者は毎日の容量制限を持ち、スポット価格は混雑に反応し、運送業者の格付けは取引によって蓄積される。
3つのリスクと1つの治療法が有効であることに気付きました。
エージェントは一度に収束し、固定されたサンプルキャリヤの集団では、同じキャリアが1日目にすべてのモデルのモダル第1選択であり、リクエストの最大76%を惹きつけた。
各エージェントは、ランダムに描画された表示された候補のリストから選択するため、プラットフォームは、各出荷者が見るオプションの数を制御する。
いずれのキャリアも、サンプリングされた市場から他の市場へと大きく変化し、見積もりのレーティングの代わりに真の品質を表示することは、レベルもこの変動性も変化しない(設計上、品質はエージェントが見たものだけに影響を与え、配達結果には影響しない)。
これらのリスクに対して、各キャリアの残りの1日あたりの容量を3分の1と2倍の船員余剰で減らし、ベンダーの多様化、リストオーダーのランダム化、人気ディスプレイは明らかに検出不可能な効果を示した。
プラットフォーム情報設計は、モデル選択やモデル規制よりも先に、機能するレバーです。
関連論文リスト
- ORBITER: Conflict-Aware Decision-Making for Agentic Last-Mile Delivery [10.425137138380279]
ラストマイルデリバリは、複雑な時間的相関をモデル化しながら、クーリエで動的に到着する注文を処理することを目的としている。
最近の学習ベースの手法では、注文間の依存関係をモデル化して、サービスシークエンスを予測するが、次の次の決定は説明できないままである。
最終マイル配送における次の順序決定のためのエージェント・オーダー・アービタであるORBITERを紹介する。
論文 参考訳（メタデータ） (2026-08-19T12:13:03Z) - Seeing Is Not Deciding: Can Multimodal LLMs Act as Effective CEOs? [53.05042283845008]
C-SUITEBENCHは経営陣の意思決定のためのマルチモーダル・ベンチマークである。
我々は、最高経営責任者の役割に9つのモデルを設定し、意思決定能力を評価する。
視覚的ビジネス情報を追加することで、9つのモデルすべてに対する制約付きリソース割り当てが低下する。
論文 参考訳（メタデータ） (2026-08-06T10:43:33Z) - When Agents Lie: Premeditation, Persistence, and Exploitation in Repeated Games [69.060029640261]
10ラウンドにわたる同質群と異質群の6つのゲームにおけるフロンティアモデルの評価を行った。
異なるモデルは発表を無矛盾に解釈し、いくつかはバインディングのコミットメントとして、もうひとつは安価なトークとして解釈する。
論文 参考訳（メタデータ） (2026-07-06T14:17:59Z) - Adversarial Feeds Steer LLM Agent Decisions Against Their Defaults [0.0]
LLMエージェントは、ソーシャルフィード、検索結果、検索コンテキスト、電子メールキューなどのランク付けされた外部情報ストリームを消費した後、ますます行動する。
モデル,ペルソナ,トピック,最終決定のプロンプトを保持する制御プロトコルを導入し,エージェントが遭遇するポストの構成と順序だけを変化させる。
我々は, 逆降圧, デフォルト飽和, 一方のフィードが真に不確実な決定を下す非対称性の3つの応答機構を同定した。
論文 参考訳（メタデータ） (2026-05-30T22:43:23Z) - ActuBench: A Multi-Agent LLM Pipeline for Generation and Evaluation of Actuarial Reasoning Tasks [0.0]
ActuBenchは、アクチュアリアセスメントアイテムの自動生成と評価のためのパイプラインである。
1つのエージェントがアイテムをドラフトし、1つはイントラクタを構築し、3つ目は独立して両方のステージを検証し、バウンドワンショットの修復ループを駆動する。
アイテム、モデルごとのレスポンス、完全なリーダーボードは、ブラウズ可能なWebインターフェースとして公開される。
論文 参考訳（メタデータ） (2026-04-22T07:20:03Z) - When Agents Trade: Live Multi-Market Trading Benchmark for LLM Agents [74.55061622246824]
Agent Market Arena (AMA)は、LLM(Large Language Model)ベースのトレーディングエージェントを評価するための、初めてのリアルタイムベンチマークである。
AMAは、検証済みのトレーディングデータ、専門家チェックされたニュース、および統一されたトレーディングフレームワーク内に多様なエージェントアーキテクチャを統合する。
GPT-4o、GPT-4.1、Claude-3.5-haiku、Claude-sonnet-4、Gemini-2.0-flashにまたがる薬剤を評価する。
論文 参考訳（メタデータ） (2025-10-13T17:54:09Z) - Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。
M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。
本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
論文 参考訳（メタデータ） (2025-09-20T01:54:20Z) - Single Agent Robust Deep Reinforcement Learning for Bus Fleet Control [9.910562011343009]
バスの群れは交通と乗客の需要のために都市交通にとって困難である。
バス保持制御のための単エージェント強化学習フレームワークを提案する。
修正されたアクター・クリティは,ベンチマークよりも安定かつ優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2025-08-28T13:47:40Z) - Learning to Estimate Package Delivery Time in Mixed Imbalanced Delivery and Pickup Logistics Services [12.270567592483888]
トランスフォーマーベースのマルチタスクパッケージ配信時間予測モデルであるTransPDTを提案する。
TransPDTをベースとしたシステムはJD Logisticsの内部に展開され、北京で毎日数十万のパッケージを扱う2000以上の宅配業者を追跡している。
論文 参考訳（メタデータ） (2025-05-01T08:00:22Z) - STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。
双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。
ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
論文 参考訳（メタデータ） (2024-12-12T17:15:49Z) - Agent-FLAN: Designing Data and Methods of Effective Agent Tuning for Large Language Models [56.00992369295851]
オープンソースのLarge Language Models(LLM)は、さまざまなNLPタスクで大きな成功を収めていますが、エージェントとして振る舞う場合、それでもAPIベースのモデルよりもはるかに劣っています。
本稿では,(1) エージェント学習コーパスを,(1) エージェント学習データの分布から大きくシフトするエージェント推論と,(2) エージェントタスクが必要とする能力に異なる学習速度を示すエージェント学習コーパスと,(3) 幻覚を導入することでエージェント能力を改善する際の副作用について述べる。
本稿では,エージェントのためのFLANモデルを効果的に構築するためのエージェントFLANを提案する。
論文 参考訳（メタデータ） (2024-03-19T16:26:10Z)
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。