論文の概要: AgentMonopoly: Behavioral Patterns and Persona Control in LLM Agents

• arxiv url: http://arxiv.org/abs/2610.29330v1
• Date: Wed, 21 Oct 2026 07:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.273198
• Title: AgentMonopoly: Behavioral Patterns and Persona Control in LLM Agents
• Title（参考訳）: AgentMonopoly: LLMエージェントの行動パターンとペルソナ制御
• Abstract要約: AgentMonopolyを使って、エージェントがどのように通信し、購入し、取引するかを調べ、後回に影響する決定をします。 2つのサイズを持つ4つのファミリーのモデルを比較し、同じモデルを持つゲーム、同じファミリーの異なるサイズ、または異なるファミリーのモデルを比較します。 また,あるエージェントにペルソナを割り当て,そのペルソナのないゲームにおいて観察される傾向を変えることを意図した動作の仕方を説明する。
• 参考スコア（独自算出の注目度）: 16.14712786812406
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: How do LLM agents' strategies differ, and how much can instructions to adopt a persona change their behavior over a game? We study these questions with AgentMonopoly, an environment where agents communicate, buy and trade properties, and make decisions that affect later turns. We compare models from four families, each at two sizes, in games with identical models, different sizes of the same family, or different families. We also assign one agent a persona, a description of how it should behave, intended to change a tendency observed in games without that persona. The tested models differ in how often they trade, waive rent, and manage cash and properties. Larger models do not consistently win more games. Persona instructions change the words agents use and some of their actions, but the changes do not always match the role across all decisions. These results show why persona following should be assessed through actions and outcomes as well as language. As our findings are conditional on the tested checkpoints, prompts, and five seeds per configuration, the open-source nature of AgentMonopoly provides the experimental infrastructure for further extending these comparisons. Our code is available at https://github.com/SuELS-Group/Agent_Monopoly.
• Abstract（参考訳）: LLMエージェントの戦略はどのように異なるのか、そして、ペルソナを採用するための指示は、ゲーム上での行動を変えることができるのか? 我々はエージェントがコミュニケーションし、購入し、取引する環境であるAgentMonopolyを用いてこれらの質問を調査し、後のターンに影響を与える決定を行う。 2つのサイズを持つ4つのファミリーのモデルを比較し、同じモデルを持つゲーム、同じファミリーの異なるサイズ、または異なるファミリーのモデルを比較します。 また,あるエージェントにペルソナを割り当て,そのペルソナのないゲームにおいて観察される傾向を変えることを意図した動作の仕方を説明する。 テストされたモデルは、取引の頻度、家賃の免除、現金と資産の管理などによって異なる。 より大型のモデルは、常に多くのゲームに勝利しない。 ペルソナ命令は、エージェントが使用する単語とアクションの一部を変更しますが、変更は常にすべての決定に一致するわけではありません。 これらの結果は,言語だけでなく行動や成果を通じてペルソナのフォローが評価されるべき理由を示している。 我々の発見はテストされたチェックポイント、プロンプト、構成毎の5つのシードに対して条件付きであるので、AgentMonopolyのオープンソース特性は、これらの比較をさらに拡張するための実験的な基盤を提供します。 私たちのコードはhttps://github.com/SuELS-Group/Agent_Monopoly.comから入手可能です。

関連論文リスト

• Agents Are Systems, Not Models: Rethinking Agentic Evaluation [80.87068485535677]
  エージェントの構成の5つの部分(タスク情報、推論、自己検証、時間予算、バックボーンモデル)について検討する。 結果の約54%は、変更ではなく、同じ構成を繰り返すことによるものです。 ベンチマークと18,000以上のエージェントトラジェクトリをリリースする。
  論文  参考訳（メタデータ） (2026-10-01T12:55:07Z)
• Humans Are More Diverse: Frontier LLMs Show Extreme Policies in Idealised AI Development Races [0.4338724691489186]
  大型言語モデル (LLM) エージェントの2人から5人の競技者を対象に, 戦略的安全行動について検討した。 まず、ゲームエンジンを検証し、次にルールのリコール、状態追跡、計算、安定性をテストする。 監査は、強いルールリコールが、弱い状態追跡と期待される支払い計算と共存できることを示します。
  論文  参考訳（メタデータ） (2026-08-02T12:18:00Z)
• Benevolent Dictators? On LLM Agent Behavior in Dictator Games [2.6514130238294027]
  行動科学では、フェアネスや自己関心の嗜好を評価するために、最後通しゲームのような実験が行われる。 LLMエージェント行動研究(LLM-ABS)フレームワークを提案する。 その結果、エージェントはフェアネスを強く好み、システムのプロンプトが行動に大きく影響していることが判明した。
  論文  参考訳（メタデータ） (2025-11-11T19:29:12Z)
• Who's Gaming the System? A Causally-Motivated Approach for Detecting Strategic Adaptation [12.528928000871405]
  我々は、最も積極的なゲーミングを行う「悪質な犯罪者:」エージェントを特定することを目標とするマルチエージェント設定について検討する。 本稿では,各エージェントのゲーム傾向をスカラーでパラメータ化するフレームワークを提案する。 異なるエージェントが異なる「処理」を表現している因果効果推定問題として問題を再キャストすることにより、ゲームパラメータによる全てのエージェントのランキングが特定可能であることを証明した。
  論文  参考訳（メタデータ） (2024-12-02T22:07:48Z)
• Can Large Language Model Agents Simulate Human Trust Behavior? [81.45930976132203]
  本研究では,Large Language Model (LLM) エージェントが人間の信頼行動をシミュレートできるかどうかを検討する。 GPT-4は、信頼行動の観点から、人間と高い行動アライメントを示す。 また、エージェント信頼のバイアスや、他のLSMエージェントや人間に対するエージェント信頼の差についても検討する。
  論文  参考訳（メタデータ） (2024-02-07T03:37:19Z)
• Behavioural Cloning in VizDoom [1.4999444543328293]
  本稿では,Imitation Learning (IL) による自律エージェントのゲーム「Doom 2」の学習方法について述べる。 また,Reinforcement Learning (RL) がカメラの動きと軌跡データを比較することで,人間性に対するILとの比較を行う。
  論文  参考訳（メタデータ） (2024-01-08T16:15:43Z)
• ALYMPICS: LLM Agents Meet Game Theory -- Exploring Strategic Decision-Making with AI Agents [77.34720446306419]
  Alympicsは、ゲーム理論の研究にLarge Language Model (LLM)エージェントを利用する、体系的なシミュレーションフレームワークである。 Alympicsは、複雑なゲーム理論の問題を研究するための汎用的なプラットフォームを作成する。
  論文  参考訳（メタデータ） (2023-11-06T16:03:46Z)
• Strategic Resource Selection with Homophilic Agents [48.83208975886834]
  類似エージェントとの共同資源利用を目指す異種エージェントを用いたリソース選択ゲームを提案する。 モデルでは,異なるタイプのエージェントを考慮し,その決定的特徴はユーザ間の同一型エージェントの割合である。 このような有界な有理性はゲーム理論上有利な性質を持つことを示す。
  論文  参考訳（メタデータ） (2023-05-01T14:14:58Z)
• How and Why to Manipulate Your Own Agent [5.634825161148484]
  我々は,何人ものユーザが繰り返しオンラインインタラクションを行う戦略的な設定を考察し,その代わりに繰り返し「ゲーム」をプレイする後悔を最小化するエージェントの支援を行う。 エージェントの繰り返しゲームにおけるダイナミクスと平均結果について検討し,ユーザ間のメタゲームとして捉えた。
  論文  参考訳（メタデータ） (2021-12-14T18:35:32Z)

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。