論文の概要: Peer Influence across Heterogeneous AI Models

• arxiv url: http://arxiv.org/abs/2610.03095v1
• Date: Fri, 02 Oct 2026 10:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.322122
• Title: Peer Influence across Heterogeneous AI Models
• Title（参考訳）: 不均一AIモデルにおけるピアの影響
• Abstract要約: 2人のAIエージェントが同意しないとき、誰が誰を説得するのか? マルチエージェントシステムは、異なる家族や大きさの言語モデルを組み合わせる傾向にあるため、どの判断が相互作用を生き残るかを判断することができる。 本研究では, エージェントの判断の確率的シフトとして説得について検討する。
• 参考スコア（独自算出の注目度）: 0.24081658738294284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When two AI agents disagree, who persuades whom? As multi-agent systems increasingly combine language models of different families and sizes, the answer can determine which judgments survive interaction. Measuring persuasion as the probabilistic shift in an agent's decision after a single exchange with a dissenting peer, we test seven open-weight models across three language understanding tasks. We find that persuasion is strong: when models disagree, receivers often abandon their initial judgment after seeing a peer's answer and explanation. Surprisingly, however, neither standalone certainty nor model scale reliably predicts persuasion dynamics. Models producing almost perfectly consistent decisions in isolation can be among the most susceptible to persuasion, and small models can match larger ones as persuaders and resist their influence just as effectively. Furthermore, we show that the size of the shift depends more on the susceptibility of the listener than on the persuasiveness of the speaker. Persuasion patterns are therefore specific to each model pairing, with heterogeneity amplifying persuasion in some combinations and suppressing it in others, allowing a dissenting agent running a small model to overturn the judgments of a much larger one. These findings show that the behavior of interacting models cannot be inferred from their individual properties but must be evaluated in the combinations in which they will operate.
• Abstract（参考訳）: 2人のAIエージェントが同意しないとき、誰が誰を説得するのか? マルチエージェントシステムは、異なる家族や大きさの言語モデルを組み合わせる傾向にあるため、どの判断が相互作用を生き残るかを判断することができる。 エージェントの判断の確率的シフトとして説得力を測定することで,3つの言語理解課題にまたがる7つのオープンウェイトモデルを検証した。 モデルが一致しない場合、レシーバーはピアの回答と説明を見た後、最初の判断を放棄することが多い。 しかし、驚くべきことに、スタンドアローンの確実性もモデルスケールも説得力学を確実に予測しない。 ほぼ完全に一貫した決定を分離して生成するモデルは、説得に最も敏感なモデルであり、小さなモデルは、説得者として大きなモデルと一致し、その影響を効果的に抵抗することができる。 さらに,変化の大きさは話者の説得力よりもリスナーの感受性に大きく依存することを示した。 したがって、説得パターンはそれぞれのモデルペアリングに特有であり、不均一性はいくつかの組み合わせで説得を増幅し、他の組み合わせでそれを抑制し、小さなモデルを実行する散布剤はより大きなモデルの判断を覆すことができる。 これらの結果は、相互作用するモデルの挙動を個々の特性から推測することはできないが、それらが動作する組み合わせで評価する必要があることを示している。

関連論文リスト

• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• MMPersuade: A Dataset and Evaluation Framework for Multimodal Persuasion [73.99171322670772]
  LVLM(Large Vision-Language Models)は、ショッピング、健康、ニュースなどの分野に展開されている。 MMPersuadeはLVLMにおけるマルチモーダルパーサージョンダイナミクスを体系的に研究するための統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-26T17:39:21Z)
• Disagreements in Reasoning: How a Model's Thinking Process Dictates Persuasion in Multi-Agent Systems [49.69773210844221]
  本稿では,説得力はモデルスケールの関数である,という一般的な仮説に挑戦する。 一連のマルチエージェントの説得実験を通じて、パーサーション・デュナリティ(Persuasion Duality)と呼ばれる基本的なトレードオフを明らかにする。 以上の結果から, LRMの推理過程は説得に対する抵抗性が大きく, 当初の信念をより堅固に維持していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-25T12:03:10Z)
• Talk Isn't Always Cheap: Understanding Failure Modes in Multi-Agent Debate [2.3027211055417283]
  議論は時間の経過とともに精度を低下させる可能性があることを示す。 分析の結果,ピア推論に応答して,モデルが正解から誤解へと頻繁にシフトしていることが判明した。 これらの結果は、マルチエージェントの議論における理由の交換において重要な障害モードを浮き彫りにする。
  論文  参考訳（メタデータ） (2025-09-05T13:47:38Z)
• Teaching Models to Balance Resisting and Accepting Persuasion [69.68379406317682]
  PBT (Persuasion-Training) は正と負の説得のバランスをとることができる。 PBTにより、より小さな7-8Bモデル間の対話から生成されたデータを使用して、より大規模な70Bモデルのトレーニングを行うことができる。 PBTは, より安定な結果をもたらし, 順序依存の低減につながることが判明した。
  論文  参考訳（メタデータ） (2024-10-18T16:49:36Z)
• When Large Language Models contradict humans? Large Language Models' Sycophantic Behaviour [0.8133739801185272]
  本研究では,サイコファンティック行動に対する大規模言語モデルの提案可能性について検討する。 この行動は梅毒(sycophancy)として知られ、LLMが誤解を招く反応を引き起こす傾向を描いている。
  論文  参考訳（メタデータ） (2023-11-15T22:18:33Z)
• MindDial: Belief Dynamics Tracking with Theory-of-Mind Modeling for Situated Neural Dialogue Generation [62.44907105496227]
  MindDialは、Mind-of-mindモデリングで位置決め自由形式の応答を生成できる、新しい対話型フレームワークである。 本研究では、話者の信念と話者の聴取者の信念を予測できる明示的なマインドモジュールを導入する。 筆者らのフレームワークは,提案手法と微調整モデルの両方に適用され,共通地盤アライメントとネゴシエーションの両方を含むシナリオで評価される。
  論文  参考訳（メタデータ） (2023-06-27T07:24:32Z)

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。