論文の概要: Disentangling Models from Personas in Heterogeneous LLM Simulations
- arxiv url: http://arxiv.org/abs/2610.07535v1
- Date: Tue, 06 Oct 2026 00:01:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.721266
- Title: Disentangling Models from Personas in Heterogeneous LLM Simulations
- Title（参考訳）: 不均質LLMシミュレーションにおけるペルソナからの解離モデル
- Abstract要約: エージェントが受けるエンゲージメントの量は、割り当てられたペルソナよりも、そのベースモデルに依存していることを示す。
ベースモデルのアトラクションや反発効果は、ミックスにより多くのモデルを追加すると劇的に強化される。
この研究は、これらのネットワークの結果を駆動するヘテロジニアスな構成の関連性を強調している。
- 参考スコア（独自算出の注目度）: 16.035151843874186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent simulations with large language models (LLMs) often operate networks of agents with a single base model. This overlooks the inter-model effects which may dominate engagement dynamics in real-world deployments. To show this, we simulate a heterogeneous social network powered by several different base models and show that the amount of engagement an agent receives depends more on its base model than on its assigned persona. The attraction or repulsion effects of a base model strengthen dramatically when more models are added in the mix, suggesting that networks dynamics may converge to base model effects at scale. To help explain this effect, we conduct a series of content-mediating analyses, showing the predictability of base models across contexts as well as the relationship between a model's lexical patterns and an engagement-maximizing style. In light of recent developments in mass multi-agent interaction, this work underscores the relevance of heterogeneous compositions in driving the outcomes of those networks
- Abstract（参考訳）: 大規模言語モデル(LLM)を用いたマルチエージェントシミュレーションでは、エージェントのネットワークを単一のベースモデルで操作することが多い。
これは、実世界のデプロイメントにおいてエンゲージメントのダイナミクスを支配しうるモデル間効果を見落としている。
これを示すために、複数の異なるベースモデルを用いた異種ソーシャルネットワークをシミュレートし、エージェントが受け取るエンゲージメントの量がアサインされたペルソナよりもベースモデルに依存することを示す。
混合モデルにより多くのモデルを追加すると、ベースモデルのアトラクションや反発効果が劇的に強化され、ネットワークのダイナミクスが大規模にベースモデルの効果に収束する可能性が示唆された。
この効果を説明するために、我々は一連のコンテントメディア分析を行い、コンテキスト間のベースモデルの予測可能性と、モデルの語彙パターンとエンゲージメント最大化スタイルの関係を示す。
大規模マルチエージェント相互作用の最近の進展を踏まえて、この研究は、これらのネットワークの結果を駆動するヘテロジニアス組成の関連性を強調している。
関連論文リスト
- The Law of Multi-Model Collaboration: Scaling Limits of Model Ensembling for Large Language Models [54.51795784459866]
マルチモデル協調のための性能スケーリングの理論的枠組みを提案する。
本稿では,マルチモデルシステムにおいて,パラメータの総数に関して,パワー則のスケーリングが従うことを示す。
不均一なモデルファミリのアンサンブルは、単一のモデルファミリ内で形成されたものよりも優れたパフォーマンスのスケーリングを実現する。
論文 参考訳（メタデータ） (2025-12-29T09:55:12Z) - Towards Simulating Social Influence Dynamics with LLM-based Multi-agents [0.0]
マルチエージェントシミュレーションがオンラインフォーラムで観察される中核的な人間の社会動態を再現できるかどうかを検討する。
その結果,より小さなモデルの方が適合度が高く,推理に最適化されたモデルの方が社会的影響に強いことが示唆された。
論文 参考訳（メタデータ） (2025-07-30T08:14:40Z) - Revisiting Multi-Agent World Modeling from a Diffusion-Inspired Perspective [54.77404771454794]
拡散モデルを用いたマルチエージェント強化学習(MARL)のためのフレキシブルで堅牢な世界モデルを開発する。
本手法はDiffusion-Inspired Multi-Agent World Model (DIMA) を用いて,複数のマルチエージェント制御ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2025-05-27T09:11:38Z) - LLM Web Dynamics: Tracing Model Collapse in a Network of LLMs [17.054331650590065]
LLM Web Dynamics(LWD)は,ネットワークレベルでのモデル崩壊を効率的に調査するためのフレームワークである。
検索拡張生成(RAG)データベースを用いてインターネットをシミュレートすることにより,モデル出力の収束パターンを解析する。
論文 参考訳（メタデータ） (2025-05-26T22:10:52Z) - EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z)
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。