論文の概要: Do LLMs Beat Nash? Testing Decentralized Coordination in Self-Play Multi-Agent Games

• arxiv url: http://arxiv.org/abs/2608.12547v1
• Date: Wed, 12 Aug 2026 19:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.315856
• Title: Do LLMs Beat Nash? Testing Decentralized Coordination in Self-Play Multi-Agent Games
• Title（参考訳）: LLMはナッシュを上回るか? セルフプレイマルチエージェントゲームにおける分散コーディネートテスト
• Abstract要約: 我々は,13の言語モデルに対して,それぞれが同一のモデルを実行していることを知らせる,ワンショット・ノンコミュニケーションゲームのベンチマークを導入する。 2つのフロンティアホストモデルがナッシュベンチマークを常に上回り、いくつかのアーカイタイプで最適なジョイント結果に近づいた。 パフォーマンスは、特にアクション空間が大きくなるにつれて、4つ以上の交換可能なエージェントを持つチームベースのゲームで大幅に低下する。
• 参考スコア（独自算出の注目度）: 7.3485258505401845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model agents deployed without a central controller are often assumed to require communication to coordinate their actions. We ask what remains possible without it: when independent instances of the same model cannot communicate, can they still reason about their counterparts well enough to exceed the standard game-theoretic baseline for uncoordinated play? We introduce a benchmark of one-shot, no-communication games in which each of thirteen language models is told only that its counterparts are running the same model and is evaluated against the Nash equilibrium of the underlying game. In two-player matrix games spanning seven archetypes and two to ten actions per player, two frontier-hosted models consistently exceed their Nash benchmark, approaching the optimal joint outcome in several archetypes, while most open-weight models achieve only partial gains that vary sharply by game structure. Performance degrades substantially in team-based games with four or more interchangeable agents, particularly as the action space grows, suggesting that whatever capability drives self-play gains in dyadic games does not transfer to larger multi-agent teams.
• Abstract（参考訳）: 中央コントローラを使わずにデプロイされる大規模な言語モデルエージェントは、アクションを調整するために通信を必要とすることが多い。 同じモデルの独立インスタンスが通信できないとき、彼らは依然として、非コーディネートプレイの標準的なゲーム理論ベースラインを超えるのに十分な理由付けができるだろうか? 本稿では,13の言語モデルのそれぞれが同一のモデルを実行しているとしか語られず,基礎となるゲームのナッシュ平衡に対して評価されるワンショットノンコミュニケーションゲームのベンチマークを紹介する。 7つのアーチェタイプとプレイヤーごとに2から10のアクションからなる2人のプレイヤーマトリックスゲームでは、2つのフロンティアホストモデルがナッシュベンチマークを常に上回り、いくつかのアーチェタイプで最適なジョイント結果に近づき、多くのオープンウェイトモデルはゲーム構造によって顕著に変化する部分的なゲインしか達成しない。 パフォーマンスは、特にアクション空間が大きくなるにつれて4つ以上の交換可能なエージェントを持つチームベースのゲームで大幅に低下し、ダイアディッドゲームにおける自己プレイゲインを駆動する能力が、より大きなマルチエージェントチームに移行しないことが示唆される。

関連論文リスト

• 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)
• MINDGAMES: A Live Arena for Evaluating Social and Strategic Reasoning in Multi-Agent LLMs [54.81359054218573]
  大規模言語モデル(LLM)のためのマルチゲームアリーナと評価プラットフォームであるMindgamesを紹介する。 Mindgamesは、統合されたインタラクションインターフェース、TrueSkillベースの評価、および4つのゲーム環境にわたる完全な軌跡ログを提供する。 我々は,決定論的オフライントーナメントプロトコルMG-Refとともに,ターンレベルの観察,アクション,報酬を含む29,571個のマルチエージェントゲームを分析した。
  論文  参考訳（メタデータ） (2026-05-28T07:33:47Z)
• Agent Island: A Saturation- and Contamination-Resistant Benchmark from Multiagent Games [0.0]
  我々は,言語モデルエージェントが相互協力,対立,説得のゲームで競うマルチプレイヤーシミュレーション環境であるエージェントアイランドを紹介した。 ベイズプラケット・ルーキーモデルでプレイヤーをランク付けし、プレイヤースキルの不確実性を定量化する。 49のユニークなモデルを含む999のゲームでは、openai/gpt-5.5が5.64で、第2位のモデルであるopenai/gpt-5.2と第3位のモデルであるopenai/gpt-5.3-codexの2.86と、ピアを圧倒している。
  論文  参考訳（メタデータ） (2026-05-05T21:24:58Z)
• PlayGen-MoG: Framework for Diverse Multi-Agent Play Generation via Mixture-of-Gaussians Trajectory Prediction [0.40611352512781873]
  PlayGen-MoGは、生成条件付きプレイ生成のためのフレームワークである。 アメリカンフットボールの追跡データでは、PlayGen-MoGは1.68ヤードのADEと3.98ヤードのFDEを達成した。
  論文  参考訳（メタデータ） (2026-04-02T18:18:53Z)
• From Gameplay Traces to Game Mechanics: Causal Induction with Large Language Models [64.43268969806098]
  本稿では,観測データから法則を推定できる因果誘導について検討する。 本稿では,VGDL生成に対する2つのアプローチを比較する。観測からの直接コード生成と,まず構造因果モデル(SCM)を推定し,次にVGDLに変換する2段階法である。 その結果,SCMに基づくアプローチは,直接生成よりも基礎的真実に近いVGDL記述を多く生み出すことがわかった。
  論文  参考訳（メタデータ） (2026-01-30T08:48:23Z)
• LM Fight Arena: Benchmarking Large Multimodal Models via Game Competition [104.81487689011341]
  本稿では,Mortal Kombat IIにおける大規模マルチモーダルモデルを評価する新しいフレームワークであるLM Fight Arenaを紹介する。 静的評価とは異なり、LM Fight Arenaは完全に自動化され、再現可能で、LMMの戦略的推論能力の客観的評価を提供する。
  論文  参考訳（メタデータ） (2025-10-10T02:19:21Z)
• Model as a Game: On Numerical and Spatial Consistency for Generative Games [117.36098212829766]
  本稿では,モデル・アズ・ア・ゲーム(MaaG)のメカニズムを十分に構築した上で,モデル・アズ・ア・ゲーム(MaaG)を真に構成するものを探るため,生成ゲームのパラダイムを再考する。 DiTアーキテクチャに基づいて,(1) LogicNetを統合してイベントトリガを決定する数値モジュール,(2) 探索領域のマップを維持する空間モジュール,(2) 生成中の位置情報を検索して連続性を確保する,という2つの特殊なモジュールを設計する。
  論文  参考訳（メタデータ） (2025-03-27T05:46:15Z)
• Efficacy of Language Model Self-Play in Non-Zero-Sum Games [38.644991461153275]
  言語モデルを改善するために,自己演奏のような手法を効果的に活用できるかどうかを実証的に検討する。 ディールまたはノーディールにおけるフィルタリングされた動作クローンの複数ラウンドにわたって、言語モデルをセルフプレイで微調整します。 言語モデルでは,タスク報酬の14～17倍のスコアが得られた。
  論文  参考訳（メタデータ） (2024-06-27T03:52:35Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Towards convergence to Nash equilibria in two-team zero-sum games [17.4461045395989]
  2チームゼロサムゲームは、プレイヤーが2つの競合するエージェントに分割されるマルチプレイヤーゲームとして定義される。 我々はNash equilibria(NE)の解の概念に焦点をあてる。 このクラスのゲームに対する計算 NE は、複雑性クラス $mathrm$ に対して $textithard$ であることを示す。
  論文  参考訳（メタデータ） (2021-11-07T21:15:35Z)
• Reinforcement Learning In Two Player Zero Sum Simultaneous Action Games [0.0]
  2人のプレイヤーのゼロサム同時アクションゲームは、ビデオゲーム、金融市場、戦争、ビジネスコンペティション、その他多くの設定で一般的である。 本稿では,2人のプレイヤーのゼロサム同時アクションゲームにおける強化学習の基本概念を紹介し,このタイプのゲームがもたらすユニークな課題について論じる。 本稿では,これらの課題に対処する新たなエージェントを2つ紹介する。
  論文  参考訳（メタデータ） (2021-10-10T16:03:44Z)
• Global Convergence of Multi-Agent Policy Gradient in Markov Potential Games [40.851817668709494]
  マルコフポテンシャルゲーム(MPG)の新たな定義を提案する。 MPGは、複雑なステートフルなマルチエージェント調整をキャプチャする以前の試みを一般化する。 我々は,MPGが決定論的ナッシュポリシーの存在など,標準的な望ましい特性を示すことを示す。
  論文  参考訳（メタデータ） (2021-06-03T16:17:46Z)

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。