論文の概要: Delay-of-Gratification as a Multi-Agent Survival Micro-benchmark for Long-Horizon LLMs: Social Exposure, Personas, and Tool Use Budgets

• arxiv url: http://arxiv.org/abs/2609.29509v1
• Date: Wed, 26 Aug 2026 01:38:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.0512
• Title: Delay-of-Gratification as a Multi-Agent Survival Micro-benchmark for Long-Horizon LLMs: Social Exposure, Personas, and Tool Use Budgets
• Title（参考訳）: 長期LLMにおけるマルチエージェント・サバイバル・マイクロベンチマークとしてのグラティフィケーションの遅れ:社会被曝,ペルソナ,ツール使用予算
• Abstract要約: スタンフォード大学のマシュマロ実験に触発されたマルチエージェントのマイクロベンチマークを開発した。 危険地平線上でのKaplan-Meier生存曲線と離散時間ハザードモデルを用いて結果を分析する。 結果は、コンパクトなマルチターン相互作用ベンチマークとしてグラティフィケーションの遅延を確立する。
• 参考スコア（独自算出の注目度）: 0.28675177318965034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly deployed as multi-turn agents that must sustain goals, use tools, and adapt to other agents over extended interactions. However, existing research lacks auditable, multi-turn, multi-factorial experiments that quantify LLM behavior under explicit constraints, with time-resolved statistics that reveal how behavior unfolds over long horizons. To address this gap, we develop a multi-agent micro-benchmark inspired by the Stanford marshmallow experiment: ReAct agents operate minute-by-minute with a "raise a question" tool under a per-step budget, while we factorially manipulate social context (broadcast vs. isolated), personas (age, hedonic drive), and metacognitive policy (mandatory vs. optional tool use). We analyze outcomes with Kaplan-Meier (KM) survival curves and discrete-time hazard models over a long risk horizon across 19,200 agent trajectories in 64 cells. Behavior shows a sharp early "eat" impulse, and only 75.9% of agents persist to the end. In a discrete-time hazard model, isolation reduces per-minute risk relative to broadcast, whereas a must-use self-questioning policy increases risk. On average, agents ask $\approx 7.12$ questions and hit the per-step budget in $\approx 6\%$ of minutes. Questioning declines faster under broadcast than isolation. Ablation experiments demonstrated that removing hedonic drive and/or persona age increases survival and completion, narrows the broadcast/isolated gap, but leaves the must vs. may ordering intact. The combined ablation (no hedonic + no persona age) yields the highest completion (approaching $1.0$). These results establish delay-of-gratification as a compact, multi-turn interaction benchmark that captures social contagion and tool-use dynamics in LLM agents, providing a reproducible testbed and statistics for analyzing long-horizon, multi-agent behavior.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、目標を維持し、ツールを使用し、拡張された相互作用に対して他のエージェントに適応する必要があるマルチターンエージェントとして、ますます多くデプロイされている。 しかし、既存の研究では、明示的な制約の下でLLMの振る舞いを定量化する、監査可能なマルチターン多要素実験が欠けている。 このギャップに対処するために、スタンフォード・マシュマロの実験に触発されたマルチエージェントのマイクロベンチマークを開発する。 エージェントはステップごとの予算で「質問を募集する」ツールで分単位で操作し、社会的コンテキスト(放送対孤立)、ペルソナ(年齢、ヘドニックドライブ)、メタ認知ポリシー(コマンド対オプションツール使用)を段階的に操作します。 カプラン・マイアー (KM) 生存曲線と離散時間ハザードモデルを用いて, 64細胞において19,200個のエージェント軌道にまたがる長い危険地平線上での結果を分析した。 行動は鋭い早期の「食」の衝動を示し、最終的には75.9%の薬剤が持続する。 離散時間ハザードモデルでは、アイソレーションは放送に対する分単位のリスクを減少させるが、必用なセルフクエストポリシーはリスクを増大させる。 平均して、エージェントは$\approx 7.12$の質問をし、$\approx 6\%の分でステップ単位の予算に達する。 放送中の質問は孤立よりも早く減少する。 アブレーション実験では、ヘドニックドライブおよび/またはペルソナ年齢の除去は生存と完成を増大させ、放送/アイソレーションギャップを狭めるが、必需品とパーソナ年齢を無傷で残すことが実証された。 合併アブレーション(ヘドニック+ペルソナ年齢なし)は最高完了(1.0$)となる。 これらの結果は,LLMエージェントのソーシャル・コンテクションとツール・ユース・ダイナミクスを捉える,コンパクトなマルチターン・インタラクション・ベンチマークとして,再現可能なテストベッドと,長期的マルチエージェントの動作解析のための統計情報を提供する。

関連論文リスト

• Evaluation of Multi-Turn Consistency in LLM Agents: Survival Analysis and Failure-Rationale Taxonomy [0.28675177318965034]
  遅延重力解析に着想を得た20段階のマルチエージェント設定における時間的整合性を評価する。 8つのモデルファミリにまたがる84,540のトラジェクトリを実行しています。 失敗の中で、長い熟考は、レギュラー内矛盾の率の上昇と相関する。
  論文  参考訳（メタデータ） (2026-08-26T01:33:07Z)
• From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
  大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。 我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
  論文  参考訳（メタデータ） (2026-08-17T01:40:14Z)
• AgentEscapeBench: Evaluating Out-of-Domain Tool-Grounded Reasoning in LLM Agents [35.967227261886435]
  AgentEscapeBenchは、エージェントが明示的な長距離依存性制約の下で新しいツールの使用手順を推論、実行、修正できるかどうかをテストする。 16個のLDMエージェントとヒトの被験者による実験では、依存性の深さが増加するにつれて性能が急激に低下することが示された。 軌道解析は、主に長距離状態追跡、手がかり付着、中間相対伝播における故障をモデル化する。
  論文  参考訳（メタデータ） (2026-05-08T15:59:27Z)
• TRACER: Trajectory Risk Aggregation for Critical Episodes in Agentic Reasoning [4.928838343487574]
  既存の不確実性プロキシは、シングルショットテキスト生成に重点を置いている。 本稿では,マルチコントロールツール-エージェント-ユーザインタラクションのためのトラジェクトリレベルの不確実性指標であるTRACERを紹介する。
  論文  参考訳（メタデータ） (2026-02-11T22:23:56Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• InsurAgent: A Large Language Model-Empowered Agent for Simulating Individual Behavior in Purchasing Flood Insurance [14.895933109860342]
  洪水保険は、個人が災害に伴う損失を軽減するための効果的な戦略である。 本研究は,因子間の保険購入確率を推定するためのベンチマークデータセットを構築した。 InsurAgentは、知覚、検索、推論、行動、記憶を含む5つのモジュールからなるLLMを動力とするエージェントである。
  論文  参考訳（メタデータ） (2025-11-03T23:19:27Z)
• Impatient Users Confuse AI Agents: High-fidelity Simulations of Human Traits for Testing Agents [58.00130492861884]
  TraitBasisは、AIエージェントを体系的にストレステストするための軽量でモデルに依存しない方法である。 TraitBasisは、ステアブルなユーザ特性に対応するアクティベーション空間で方向を学習する。 We observed on average a 2%-30% performance degradation on $tau$-Trait across frontier model。
  論文  参考訳（メタデータ） (2025-10-06T05:03:57Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• Test-Time Regret Minimization in Meta Reinforcement Learning [28.710895687701353]
  マルコフ決定過程を通じてモデル化されたタスクの有限集合を様々なダイナミクスで考える。 未知のテストタスクにおける最適方針に対する後悔の最小化に焦点を当てる。
  論文  参考訳（メタデータ） (2024-06-04T12:56:10Z)

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。