論文の概要: When Numbers Start Talking: Numerical Signalling and Strategic Behaviour Among LLMs

• arxiv url: http://arxiv.org/abs/2610.03033v1
• Date: Fri, 02 Oct 2026 09:15:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.295462
• Title: When Numbers Start Talking: Numerical Signalling and Strategic Behaviour Among LLMs
• Title（参考訳）: LLMにおける数値シグナリングと戦略的行動
• Abstract要約: 異なる種類のメッセージ(自然言語、数値信号、ランダムシーケンス)が各ゲームにおける協調のレベルを著しく変化させるかどうかを調べた。 構造化されたメッセージは、ほとんどのゲームやLLMの最終的な支払いを変更できるが、予測可能なパターンは持たない。 また、エージェントが明示的に通信するように指示されたとき、エージェント生成された数値メッセージは、最も強く、一貫してランダム性から逸脱していることも観察する。
• 参考スコア（独自算出の注目度）: 45.43445469098021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM)-based agents increasingly operate in multi-agent systems (MAS) characterised by strategic interaction. However, little is known about whether, and to what extent, different types of messages affect the outcomes of strategic games. By investigating AI agents based on four popular LLMs, playing four games with different cooperation equilibria, we study whether messages of different kinds (natural language, numerical signals, or random sequences) significantly modify the levels of cooperation in each game, also depending on the agents' assigned personalities. We observe that structured messages alter the final payoffs for most games and LLMs, but without a predictable pattern; this challenges the assumption that AI agents can converge to stable equilibria regardless of additional capabilities. Moreover, we observe that agent-generated numerical messages depart from randomness, most strongly and consistently when agents are explicitly instructed to communicate; however, they introduce an additional interpretability challenge, as their symbol distributions are mostly associated with the payoff structure and typically become more concentrated with repetition, but are overall difficult for humans to interpret. Monitoring for coordination of AI agents through restricted channels should thus prioritise message-level fingerprints, which generalise across models, over behavioural decisions, which do not.
• Abstract（参考訳）: 大規模言語モデル(LLM)ベースのエージェントは、戦略的相互作用によって特徴づけられるマルチエージェントシステム(MAS)でますます運用される。 しかし、異なるタイプのメッセージが戦略ゲームの結果に影響を与えるかどうかについては、ほとんど分かっていない。 4種類のLLMをベースとしたAIエージェントの調査、異なる協調均衡を持つ4つのゲームでのプレイにより、エージェントの割り当てられた個人性にもよるが、異なる種類のメッセージ(自然言語、数値信号、ランダムシーケンス)が各ゲームにおける協調のレベルを著しく変化させるかどうかを調査する。 構造化されたメッセージは、ほとんどのゲームやLLMの最終的なペイオフを変えるが、予測可能なパターンを持たず、AIエージェントが追加能力に関係なく安定した均衡に収束できるという仮定に挑戦する。 さらに,エージェント生成の数値メッセージがランダム性から逸脱すること,特にエージェントが明示的に通信するよう指示された場合,一貫した一貫性を保ちながら,シンボル分布が主にペイオフ構造に結びついており,通常は繰り返しに集中しているため,さらに解釈可能性の問題が発生するが,人間には全体として解釈が困難である。 したがって、制限されたチャネルを介してAIエージェントの調整を監視することは、モデル全体にわたって一般化されるメッセージレベルの指紋を、そうでない行動決定よりも優先すべきである。

関連論文リスト

• Scaling Behavior of Single LLM-Driven Multi-Agent Systems [5.2324118961669575]
  マルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むことを約束する。 本稿では, エージェント数の増加に伴い, 均質MASの性能がどう進化するかを系統的に検討する。
  論文  参考訳（メタデータ） (2026-05-30T09:57:49Z)
• When Numbers Start Talking: Implicit Numerical Coordination Among LLM-Based Agents [45.43445469098021]
  本稿では,マルチエージェントシステムにおける隠蔽通信のゲーム理論的研究について述べる。 我々は,異なる通信体制下での4つの標準ゲーム理論設定間の相互作用を分析する。 不均一なエージェント・パーソナリティとワンショットゲームと繰り返しゲームの両方を考慮すると、隠蔽信号が出現し、協調と戦略的な結果をどう形成するかを特徴付ける。
  論文  参考訳（メタデータ） (2026-01-07T12:07:48Z)
• Communication and Verification in LLM Agents towards Collaboration under Information Asymmetry [17.472005826931127]
  本稿では,タスクコラボレーションにおけるLarge Language Model (LLM)エージェントについて検討する。 シンボリックパズルであるアインシュタインパズルをテーブルトップゲームに拡張する。 実証的な結果から,コミュニケーションの整合性の重要性が浮き彫りになる。
  論文  参考訳（メタデータ） (2025-10-29T15:03:53Z)
• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• The Rise and Potential of Large Language Model Based Agents: A Survey [91.71061158000953]
  大規模言語モデル(LLM)は、人工知能(AGI)の潜在的な火花と見なされる まず、エージェントの概念を哲学的起源からAI開発まで追跡し、LLMがエージェントに適した基盤である理由を説明します。 単一エージェントシナリオ,マルチエージェントシナリオ,ヒューマンエージェント協調の3つの側面において,LLMベースのエージェントの広範な応用について検討する。
  論文  参考訳（メタデータ） (2023-09-14T17:12:03Z)
• The Emergence of Adversarial Communication in Multi-Agent Reinforcement Learning [6.18778092044887]
  多くの現実世界の問題は、複数の自律エージェントの調整を必要とする。 最近の研究は、複雑なマルチエージェント協調を可能にする明示的なコミュニケーション戦略を学ぶためのグラフニューラルネットワーク(GNN)の約束を示している。 一つの利己的なエージェントが高度に操作的なコミュニケーション戦略を学習し、協調的なエージェントチームを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-08-06T12:48:08Z)

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。