Fugu-MT 論文翻訳(概要): Choosing LLMs for Strategic Agent Interactions

論文の概要: Choosing LLMs for Strategic Agent Interactions

arxiv url: http://arxiv.org/abs/2610.18354v1
Date: Tue, 13 Oct 2026 13:21:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:15.618388
Title: Choosing LLMs for Strategic Agent Interactions
Title（参考訳）: 戦略エージェントインタラクションのためのLCMの選択
Abstract要約: ゲーム理論評価を拡張し,戦略選択を,ベースゲーム上に重ねられたメタゲームとして定義する。モデルが持つ戦略能力は,ゲームの設定や対戦相手によって大きく異なることを示す。軽量なマルチアームバンディットアルゴリズムはゲーム全体でより確実に動作しますが、それでも最高の固定モデルには劣ります。
参考スコア（独自算出の注目度）: 11.841144834235592
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Game-theoretic benchmarks claim that large language model (LLM) strategic decision-making varies across game types, interaction structures, and capability dimensions. However, they only evaluate strategic performance across individual fixed models. In parallel, contemporary LLM routers pick models under quality-cost trade-offs, but with no notion of a strategic structure. They do not account for an opponent that might be unknown, and that can adapt over time and shift the feedback signal. To address this, we extend the game-theoretic evaluations and define strategic selection as the meta game layered on top of the base game. In each round, a strategic selector fields an LLM from a portfolio of models to navigate a game payoff matrix that is latent and learned online. We find that the evaluation signal is game-specific, and that extracting a reliable signal requires a much higher number of seed runs $N$ compared to traditional benchmarking setups. Evaluating across 5 games and 10 LLMs, we show a model's strategic competence varies significantly depending on the game setup and the opponent faced. Building on this, we implement a suite of selector methods and find that approaches that rely on query embeddings or LLM self-reflection do not consistently capture the underlying strategic signal. A lightweight multi-armed bandit algorithm performs more reliably across games, though it still falls short of the best fixed model. Finally, we show that simple non-stationary and adversarial bandit variants fail to outperform a stationary bandit baseline, pointing to a gap in how current methods handle a shifting opponent in strategic settings.
Abstract（参考訳）: ゲーム理論ベンチマークでは、大きな言語モデル(LLM)の戦略的決定はゲームの種類、相互作用構造、能力次元によって異なると主張している。しかし、それらは個々の固定モデル間での戦略的パフォーマンスのみを評価する。並行して、現代のLLMルータは、高品質なトレードオフの下でモデルを選択するが、戦略的構造という概念は持っていない。未知の可能性のある相手を考慮せず、時間とともに適応し、フィードバックシグナルをシフトすることができる。そこで本研究では,ゲーム理論評価を拡張し,戦略選択をベースゲーム上に重ねられたメタゲームとして定義する。各ラウンドでは、戦略的なセレクタがモデルのポートフォリオからLSMをフィールドし、オンラインで学習されたゲームペイオフマトリックスをナビゲートする。評価信号はゲーム固有であり,信頼性の高い信号の抽出には,従来のベンチマーク設定に比べてはるかに多くのシード実行が要求されることがわかった。 5つのゲームと10個のLDMで評価したところ、モデルの戦略能力はゲームの設定や対戦相手によって大きく異なることがわかった。これに基づいて、セレクタ手法のスイートを実装し、クエリの埋め込みやLLMの自己回帰に依存するアプローチが、基盤となる戦略的シグナルを一貫して捉えていないことを発見した。軽量なマルチアームバンディットアルゴリズムはゲーム全体でより確実に動作しますが、それでも最高の固定モデルには劣ります。最後に, 単純な非定常的・対向的バンディット変種は, 定常的バンディット・ベースラインを上回り, 現在の手法が戦略的設定においてシフトする相手をどう扱うかのギャップを指摘する。

関連論文リスト

LLM-Guided Reinforcement Learning for Adaptive NPC Behavior in Multi-Agent Combat Games [0.0]
大規模言語モデル(LLM)が基礎となる動作を変更することなく、訓練されたRLポリシーをガイドする実行時戦略選択フレームワークについて検討する。我々は,600話にまたがる3つのスクリプト型に対して,どちらの構成も評価し,Mann-Whitney U テストを用いて結果を分析した。
論文参考訳（メタデータ） (2026-08-27T07:17:58Z)
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)
Who is a Better Player: LLM against LLM [53.46608216197315]
本稿では,大規模言語モデル (LLM) の総合的な性能を評価するための対戦型ベンチマークフレームワークを提案する。広範にプレイされている5つのゲームをサポートし,20のLDMを駆使したプレーヤーを対象とする,特別な評価プラットフォームであるQi Townを紹介した。
論文参考訳（メタデータ） (2025-08-05T06:41:47Z)
Agents of Change: Self-Evolving LLM Agents for Strategic Planning [28.172006841163938]
HexMachinaは、環境発見と戦略改善を分離する継続的学習マルチエージェントシステムである。制御されたカタナトロン実験では、HexMachinaはスクラッチから学び、最強の人造ベースラインを上回るプレイヤーを進化させる。
論文参考訳（メタデータ） (2025-06-05T05:45:24Z)
TMGBench: A Systematic Game Benchmark for Evaluating Strategic Reasoning Abilities of LLMs [45.12542636218608]
ゲームタイプの包括的カバレッジ,多様なシナリオ,フレキシブルなゲーム組織を特徴とするTMGBenchを提案する。具体的には、ベンチマークで古典ゲームとして構築された2x2ゲームのロビンソン・ゴーフォーストポロジーによって要約された144種類のゲームタイプをすべて組み込む。より強力なLSMに適応可能な持続可能な評価フレームワークを提供するため、上記のゲームを原子単位として扱う。
論文参考訳（メタデータ） (2024-10-14T13:15:34Z)
GameBench: Evaluating Strategic Reasoning Abilities of LLM Agents [4.209869303518743]
大規模言語モデルの戦略的推論能力を評価するためのクロスドメインベンチマークであるGameBenchを紹介する。戦略的推論能力の向上を目的とした2つの足場フレームワークとともに,GPT-3とGPT-4をベースとして評価を行った。以上の結果から,試験対象モデルと人体性能は一致せず,GPT-4は無作為な動作よりも悪い結果が得られた。
論文参考訳（メタデータ） (2024-06-07T00:28:43Z)
GTBench: Uncovering the Strategic Reasoning Limitations of LLMs via Game-Theoretic Evaluations [87.99872683336395]
大規模言語モデル(LLM)は、重要な現実世界のアプリケーションに統合される。本稿では,LLMの競合環境における推論能力について検討する。まず,広く認識されている10のタスクを構成する言語駆動型環境であるGTBenchを提案する。
論文参考訳（メタデータ） (2024-02-19T18:23:36Z)
Who Leads and Who Follows in Strategic Classification? [82.44386576129295]
戦略分類における役割の順序は、決定者とエージェントが互いの行動に適応する相対周波数によって決定される。更新頻度を自由に選択できる意思決定者は,いずれの順番でスタックルバーグ均衡に収束する学習力学を誘導できることを示す。
論文参考訳（メタデータ） (2021-06-23T16:48:46Z)
L2E: Learning to Exploit Your Opponent [66.66334543946672]
本稿では,暗黙的対向モデリングのための新しい学習フレームワークを提案する。 L2Eは、トレーニング中に異なる相手との対話によって、相手を悪用する能力を取得する。本稿では, 対戦相手を自動的に生成する新しい対戦相手戦略生成アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-18T14:27:59Z)
Efficient exploration of zero-sum stochastic games [83.28949556413717]
ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
論文参考訳（メタデータ） (2020-02-24T20:30:38Z)

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。