論文の概要: When LLM Agents Negotiate: Private Information and Dynamic Bargaining in Supply Chains

• arxiv url: http://arxiv.org/abs/2608.07538v1
• Date: Wed, 29 Jul 2026 02:17:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.555666
• Title: When LLM Agents Negotiate: Private Information and Dynamic Bargaining in Supply Chains
• Title（参考訳）: LLMエージェントが交渉する時:プライチェーンにおける個人情報と動的取引
• Abstract要約: 我々は、委譲交渉者が価値を生み出し、それを予測可能に分割し、金銭損失の契約を避けるか検討する。 検証済みのPerfect Bayesian Equilibriumに対して、OpenAI、Google、Alibabaの9つのLMをベンチマークします。 我々は,AIエージェントの均衡基準監査を,割引効率,分散プロファイル,運用信頼性の3次元に沿って確立する。
• 参考スコア（独自算出の注目度）: 7.901350921757907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As LLM agents move from decision support to autonomous procurement, firms need to know whether delegated negotiators create value, divide it predictably, and avoid money-losing contracts. We study this in a canonical supply chain bargaining problem: a buyer with private demand information negotiates a quantity-payment contract with an uninformed seller. We benchmark nine LLMs from OpenAI, Google, and Alibaba against a validated Perfect Bayesian Equilibrium across 9,840 LLM-to-LLM negotiations. First, capability governs value creation. Agents agree in 98.9% of negotiations and capture 95.4% of first-best surplus undiscounted, but average 2.98 rounds against the benchmark's 1.25, and this delay erodes 21-34% of surplus. Capability also governs reliability: baseline models accept individually irrational contracts in 19.2% of cases, versus 0.0-0.6% at mid-tier and flagship, making automated profit verification the binding guardrail below that threshold. Second, surplus capture is relational. Provider identity predicts who captures surplus better than capability rank: self-play buyer shares average 40% for OpenAI, 50% for Google, and 70% for Alibaba's Qwen, an ordering that survives restricted communication and no discounting. Reversing which provider sells moves the division by 7-18 percentage points, and the capable Qwen flagship is the weakest cross-family seller: vendor choice is a first-order distributional decision. Third, the prompt is a strategic lever. Delegation separates the principal's economic patience from the agent's prompted strategic patience, a free deployment choice that is the single strongest driver of surplus division (90% of explained variance). Together these establish an equilibrium-referenced audit of AI agents along three dimensions: discounted efficiency, distributional profile, and operational reliability.
• Abstract（参考訳）: LLMエージェントは意思決定支援から自律的な調達へと移行するので、委任された交渉者が価値を生み出し、それを予測可能に分割し、資金ロスの契約を避ける必要がある。 我々は、これを標準的なサプライチェーン取引の問題として研究し、個人需要情報を持つ買い手は、不正な販売者と金額支払い契約を交渉する。 OpenAI、Google、Alibabaの9つのLLMを、9,840 LLM-to-LLM交渉の検証済みのPerfect Bayesian Equilibriumに対してベンチマークします。 第一に、能力は価値創造を支配する。 エージェントは98.9%の交渉に合意し、第1位の剰余金の95.4%を回収するが、平均2.98ラウンドはベンチマークの1.25に対して、この遅れは21.34%の剰余金の損失を被る。 ベースラインモデルは19.2%のケースで個別に不合理な契約を受理するが、中級および旗艦では0.0-0.6%であり、その閾値以下では自動的な利益検証を行う。 第二に、余剰捕獲は関係性である。 セルフプレイ購入者はOpenAIで40%、Googleで50%、AlibabaのQwenで70%をシェアしている。 供給業者がどの部門を売却するかを7-18ポイント変更し、有能なQwenフラッグシップは最も弱いクロスファミリー販売業者である。 第三に、プロンプトは戦略的レバーである。 デリゲーションは、プリンシパルの経済的な忍耐と、エージェントが引き起こした戦略的な忍耐を分離する。 これらとともに、割引効率、分散プロファイル、運用信頼性の3つの側面に沿って、AIエージェントの均衡参照監査を確立する。

関連論文リスト

• From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
  200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。 我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。 このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
  論文  参考訳（メタデータ） (2026-09-01T17:39:26Z)
• E-Commerce Bench: Evaluating LLM Agents on Long-Horizon Autonomous Business Operation [54.50499240166176]
  E-Commerce Benchは、マルチラウンドのネゴシエーションと動的イベントを1年間のビジネス運用に統合する、最初のオープンソースベンチマークです。 年末の資産を含む7次元にわたる18のフロンティアモデルを評価し,1つのモデルが支配的でないことを発見した。
  論文  参考訳（メタデータ） (2026-08-31T13:03:57Z)
• Whose Side Is Your Agent On? Multi-Party Principal Loyalty in LLM Agents [0.33451037881913753]
  我々は、この多党間の忠誠問題を研究し、測定器、2つのメカニズム、構造的な教訓に貢献する。 即時忠誠の足場はクロード=ソネットを19.4%、選択対象者を9名全て=20%に抑えている。 どちらのメカニズムも、それを渡るのではなく、共通のリーク/オーバー・リフレクションのトレードオフに沿ってのみ移動する。
  論文  参考訳（メタデータ） (2026-06-29T14:39:38Z)
• Byzantine-Resilient Federated Learning via QUBO-Based Client Selection on Quantum Annealers [0.0]
  フェデレートラーニング(FL)は、データプライバシを保護しながら、分散クライアント間でグローバルモデルをトレーニングするが、大規模には悪意のある更新に対して脆弱である。 本稿では,クライアント選択を擬似非制約二項最適化問題として再構成する量子アニール手法を提案する。 小規模な(15のクライアント)では、QUBOは最も困難なビザンツ攻撃でMultiKrumを上回っている。 MNIST上の100のクライアントでは、MultiSignalは95.3%の平均検出精度を達成しているが、従来のMultiKrumでは91.8%である。
  論文  参考訳（メタデータ） (2026-05-14T22:42:14Z)
• Cattle Trade: A Multi-Agent Benchmark for LLM Bluffing, Bidding, and Bargaining [0.5691230599672109]
  我々は,大規模言語モデル(LLM)を戦略的推論のエージェントとして評価するためのベンチマークであるtextscCattle Tradeを紹介した。 このベンチマークは、1つのロングホライゾンゲーム内でのオークション、隠れオフのトレードチャレンジ(TC)、バーゲティング、ブラッフィング、相手モデリング、リソース割り当てを組み合わせたものだ。 我々は,242ゲームに対して,コスト効率のよい7つの言語モデルと3つの決定論的コードエージェントを評価した。
  論文  参考訳（メタデータ） (2026-05-14T08:20:03Z)
• 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)
• TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
  大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。 TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。 我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
  論文  参考訳（メタデータ） (2026-04-29T19:32:58Z)
• 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)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• EQ-Negotiator: Dynamic Emotional Personas Empower Small Language Models for Edge-Deployable Credit Negotiation [66.09161596959771]
  小型言語モデル (SLM) は実用的な代替手段を提供するが、大規模言語モデル (LLM) と比較して大きな性能差がある。 本稿では,感情的ペルソナを用いて,この能力ギャップを橋渡しする新しいフレームワークであるEQ-Negotiatorを紹介する。 EQ-Negotiator を用いた 7B パラメータ言語モデルは,ベースライン LLM の 10 倍以上の大きさで,債務回復と交渉効率が向上することを示す。
  論文  参考訳（メタデータ） (2025-11-05T11:25:07Z)
• Shoot First, Ask Questions Later? Building Rational Agents that Explore and Act Like People [81.63702981397408]
  限られたリソースを前提として、言語モデル(LM)に基づいたエージェントは、どの程度合理的に行動するのか? エージェント情報探索をベンチマークし,強化する手法を開発し,人間の行動から洞察を抽出する。 Spotterエージェントでは、LMのみのベースラインよりも14.7%の精度で精度を向上し、Captainエージェントでは、期待情報ゲイン(EIG)を0.227ビット(達成可能なノイズ天井の94.2%)まで引き上げる。
  論文  参考訳（メタデータ） (2025-10-23T17:57:28Z)
• Measuring Bargaining Abilities of LLMs: A Benchmark and A Buyer-Enhancement Method [17.388837360641276]
  本稿では,Bargainingタスクを非対称な不完全情報ゲームとして記述する。 これにより、Bargainタスクにおけるエージェントのパフォーマンスを定量的に評価することができます。 本稿では,OG-Narratorと呼ばれる新手法を提案する。
  論文  参考訳（メタデータ） (2024-02-24T13:36:58Z)
• Coalitional Bargaining via Reinforcement Learning: An Application to Collaborative Vehicle Routing [49.00137468773683]
  コラボレーティブ・ビークル・ルーティング(Collaborative Vehicle Routing)とは、デリバリ情報を共有し、互いに代理してデリバリ要求を実行することで、デリバリ企業が協力する場所である。 これによりスケールの経済が達成され、コスト、温室効果ガスの排出、道路渋滞が減少する。 しかし、どの会社が誰とパートナーし、それぞれの会社がどれだけの報酬を支払うべきか? シャプリー値(英語版)やヌクレオルス(英語版)のような伝統的なゲーム理論解の概念は、協調車両ルーティング(英語版)の現実問題に対して計算することが困難である。
  論文  参考訳（メタデータ） (2023-10-26T15:04:23Z)

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。