論文の概要: How language model agents reshape price competition

• arxiv url: http://arxiv.org/abs/2610.21711v1
• Date: Thu, 15 Oct 2026 11:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.56419
• Title: How language model agents reshape price competition
• Title（参考訳）: 言語モデルエージェントがいかに価格競争を形作るか
• Abstract要約: 同質の商品市場では、標準的な学習手順は、限界コストに近い価格でステージゲームのナッシュ結果を選択する。 LLMの価格設定エージェントは,デプロイメントの判断によって,このベンチマークから逃れることができることを示す。
• 参考スコア（独自算出の注目度）: 1.7382689620768232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Repeated Bertrand competition is a stringent benchmark for algorithmic pricing: in homogeneous-goods markets, standard learning procedures typically select the stage-game Nash outcome with prices near marginal cost. We show that LLM pricing agents can escape this benchmark, depending on deployment decisions. LLMs outperform standard online learners through faster adaptation, but this advantage largely disappears against full-information learners. An extracted surrogate algorithm illustrates how LLMs in specific deployments profit from regularly undercutting slower learners. Agents that post one price every period from raw market histories that include rival prices can sustain supracompetitive regimes in self-play. Agents that periodically emit probability distributions from summarized histories of their own profits instead move toward the competitive region in self-play. Markets mixing these interfaces can generate dynamic regimes in which LLMs establish a high-price anchor and regularly undercut it to capture demand. These regimes can keep both competitors' prices above marginal cost. Deployment choices shape these outcomes, shifting the focus from stationary equilibria to dynamic pricing regimes.
• Abstract（参考訳）: アルゴリズム価格の厳格なベンチマークである反復ベルトランの競争は、均質な良質な市場において、標準的な学習手順は、通常、限界価格に近い価格でステージゲームのナッシュ結果を選択する。 LLMの価格設定エージェントは,デプロイメントの判断によって,このベンチマークから逃れることができることを示す。 LLMは、より高速な適応によって、標準的なオンライン学習者よりも優れていますが、この利点はフル情報学習者に対してほとんど失われます。 抽出したサロゲートアルゴリズムは、特定のデプロイメントにおけるLCMが、定期的に遅い学習者から利益を得る方法を示している。 競合する価格を含む生の市場の歴史から毎年1つの価格を投稿するエージェントは、自己競争において超競争的な体制を維持することができる。 周期的に確率分布を出力するエージェントは、自身の利益の要約された歴史から、代わりにセルフプレイの競争領域へと移行する。 これらのインターフェースを混合した市場は、LSMが高価格アンカーを確立し、需要を捉えるために定期的にそれを減らし、動的レギュレーションを生成することができる。 これらの制度は、双方の競争相手の価格を限界費用より高く抑えることができる。 展開の選択はこれらの成果を形作り、定常均衡から動的価格体系へと焦点を移す。

関連論文リスト

• Decentralized LLM Workflows via Sequential Auctions [75.30127254397256]
  自己関心エージェントの分散市場を通して多段階タスクを解くためのスケーラブルなフレームワークを提案する。 3つのオークションプロトコルで4つの入札アルゴリズムを定式化し評価する。
  論文  参考訳（メタデータ） (2026-10-15T16:52:16Z)
• JOVE: Joint Execution and Verification for Resource-Aware LLM Task Graphs [36.76224908026635]
  実際には、あるサブタスクに対するLLMの適合性は事前不明であり、実行だけで出力の正確性を明らかにすることはない。 LLMを共同で割り当て、有償検証のための中間出力を選択するオンラインフレームワークJOVEを提案する。 4つの推論ベンチマークで、JOVEは平均コストとレイテンシを少なくとも3.17倍に削減しながら、標準推論ベースラインに対する競争精度を達成している。
  論文  参考訳（メタデータ） (2026-10-02T13:37:59Z)
• Collective Bias Mitigation via Model Routing and Collaboration [65.7239646008759]
  大規模言語モデル(LLM)は、公衆衛生、金融、ガバナンスにおいてますます多くデプロイされている。 近年の進歩にもかかわらず、LLMはトレーニングデータに埋め込まれたバイアスを永続的または増幅することが多い。 CBM(Collective Bias Mitigation)は,モデル動作のきめ細かい学習によってバイアスを軽減するフレームワークである。
  論文  参考訳（メタデータ） (2026-10-02T12:49:44Z)
• Anchor-and-Resume Concession Under Dynamic Pricing for LLM-Augmented Freight Negotiation [5.225967186005105]
  ライヴスプレッドから$を導出することで、適応が可能になるが、新しい問題が発生する: 価格変更によって、公式が以前のオファーを撤回し、モノトニック性に違反する可能性がある。 両制約に対処する2次元アンカー・アンド・レジュームフレームワークを提案する。 スプレッド由来の$$は、各負荷のマージン構造を正しい譲歩姿勢にマッピングする一方、アンカー・アンド・レジューム機構は、任意の価格シフトの下で単調に非減少するオファーを保証する。
  論文  参考訳（メタデータ） (2026-04-22T16:17:07Z)
• Market-Bench: Benchmarking Large Language Models on Economic and Trade Competition [102.73682784993169]
  本稿では,経済関連タスクにおける大規模言語モデル(LLM)の能力を評価するベンチマークであるtextbfMarket-Benchを紹介する。 我々は、LLMが商品の調達・販売を担当する小売業者として機能するマルチエージェントサプライチェーン経済モデルを構築した。 Market-Benchは入札、価格、スローガン、販売、バランスシートの完全な軌跡を記録し、経済、運用、セマンティックメトリクスによる自動評価を可能にしている。
  論文  参考訳（メタデータ） (2026-04-07T07:23:51Z)
• Multi-Agent Reinforcement Learning for Dynamic Pricing: Balancing Profitability,Stability and Fairness [0.0]
  競合条件下での動的価格最適化のためのマルチエージェント強化学習(MARL)手法の体系的実証評価を行った。 我々は、これらのアルゴリズムを、MARL文学において広く使われている独立学習者であるIDDPGベースラインと比較した。 本結果からMAPPOは,競争価格最適化のための安定かつ再現可能なアプローチとして,分散度の低い平均リターンを一貫して達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-02-28T05:05:39Z)
• Guardrailed Elasticity Pricing: A Churn-Aware Forecasting Playbook for Subscription Strategy [0.0]
  本稿では,サブスクリプション価格を動的に保護された意思決定システムとして運用するマーケティング分析フレームワークを提案する。 季節ごとの時系列モデルをツリーベースの学習者とブレンドし、モンテカルロシナリオテストを実行してリスクエンベロープをマップし、制約付き最適化を解決する。 このフレームワークは,フラットな価格からダイナミックな価格への移行時期,CLVやMRRターゲットとの価格調整方法,倫理的ガードレールの組み込み方法など,戦略プレイブックとして機能する。
  論文  参考訳（メタデータ） (2025-12-24T04:25:31Z)
• Cost-Aware Contrastive Routing for LLMs [57.30288453580456]
  我々は、プロンプトとモデルの両方を共有埋め込み空間にマッピングする軽量フレームワークであるコストスペクトルコントラストルーティング(CSCR)を紹介します。 CSCRはベースラインを一貫して上回り、精度とコストのトレードオフを最大25%改善した。
  論文  参考訳（メタデータ） (2025-08-17T20:16:44Z)
• MixLLM: Dynamic Routing in Mixed Large Language Models [57.309520357563215]
  大規模言語モデル(LLM)は、最近、人工知能の可能性を秘めている。 問合せ-LLM代入のための動的コンテキスト帯域ベースのルーティングシステムであるMixLLMを開発した。
  論文  参考訳（メタデータ） (2025-02-09T02:26:15Z)
• Algorithmic Collusion by Large Language Models [0.821479429671911]
  我々は,Large Language Models(LLMs)に基づくアルゴリズム価格設定エージェントによる実験を行う。 LLMベースの価格設定エージェントは、オリゴポリー設定において、迅速かつ自律的に超競争的な価格と利益に達する。 オフパス分析は、これらの現象に寄与するとして価格戦争の懸念を明らかにする。
  論文  参考訳（メタデータ） (2024-03-31T21:43:05Z)

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。