論文の概要: Who Is the Influencer? Consensus Dynamics in Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.31105v1
• Date: Thu, 22 Oct 2026 11:15:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.334044
• Title: Who Is the Influencer? Consensus Dynamics in Multi-Agent Systems
• Title（参考訳）: インフルエンサーとは? マルチエージェントシステムにおけるコンセンサスダイナミクス
• Abstract要約: マルチエージェント LLM システムは実際はますます使われているが、その振る舞いは複雑で理解しにくい。 1つのシステムに複数のモデルが混在している場合、どのモデルが最終的なコンセンサスに最も影響を与えるかを尋ねる簡単なタスクを設計する。 他のモデルの意見は、より強いモデルの意見に吸収され、より多くのパラメータを持つものとなる。
• 参考スコア（独自算出の注目度）: 46.10175943435167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent LLM systems are increasingly used in practice, but their behavior is complex and hard to understand. We design a simple task to ask which model has the most influence on the final consensus when several models are mixed in one system. Experimentally, across seven model families, we find that the opinions of the other models are absorbed into the opinion of the stronger model, the one with more parameters. This happens even though the task requires no pretraining knowledge and has no correct answer. To understand this phenomenon, we interpret the agents as weighted particles moving on a simplex. Larger models carry a larger weight and therefore occupy a deeper well in the energy landscape. A large weight means strong in-context learning: a model with a large weight amplifies the majority of its context. Larger models are generally better at in-context learning, and this is what makes the larger model the influencer. We hope that this work helps to interpret multi-agent systems, whose behavior is becoming too complex for humans to understand.
• Abstract（参考訳）: マルチエージェント LLM システムは実際はますます使われているが、その振る舞いは複雑で理解しにくい。 1つのシステムに複数のモデルが混在している場合、どのモデルが最終的なコンセンサスに最も影響を与えるかを尋ねる簡単なタスクを設計する。 実験的に、7つのモデルファミリーにおいて、他のモデルの意見はより強いモデルの意見に吸収され、より多くのパラメータを持つものとなる。 たとえタスクが事前学習の必要なく、正しい答えがないとしても、これは起こります。 この現象を理解するために、エージェントを単純体上を移動する重み付き粒子として解釈する。 より大型のモデルはより大きな重量を持ち、エネルギー景観においてより深い位置を占める。 大きな重みは、強いコンテキスト内学習を意味し、大きな重みを持つモデルは、そのコンテキストの大部分を増幅する。 より大きなモデルは一般的にコンテキスト内学習において優れており、これが大きなモデルをインフルエンサーにする理由である。 この研究が、人間が理解できないほど複雑になっているマルチエージェントシステムを理解するのに役立つことを願っています。

関連論文リスト

• Why Larger Models Learn More: Effects of Capacity, Interference, and Rare-Task Retention [42.127946936876235]
  より大規模なモデルでは、無限のトレーニングデータであっても、小さなモデルでは学習できないタスクが学習されることが示される。 特に、より小さなモデルでは、ニューロンを高頻度または低複雑性のタスクに割り当て、希少で複雑なタスクでは不十分なソリューションを学ぶ。 次に、より大きなモデルがこのデータ中心のボトルネックを回避し、干渉機構の低下に辿り着くかを評価する。
  論文  参考訳（メタデータ） (2026-05-28T08:02:11Z)
• Knowing the Facts but Choosing the Shortcut: Understanding How Large Language Models Compare Entities [22.27798386360767]
  大きな言語モデル(LLM)は、知識に基づく推論タスクにますます使われていますが、真の知識と表面的な知識に頼っている場合の理解は依然として難しいままです。 本稿では, モデルに数値属性によるエンティティの比較を依頼することで, エンティティ比較タスクを通してこの問題を考察する。 モデル予測に強く影響を与える3つのバイアスを識別する。 より信頼性の高い場合、より大きなモデルは数値的な知識に選択的に依存しているのに対し、より小さなモデルはそのような差別を示さない。
  論文  参考訳（メタデータ） (2025-10-19T12:55:30Z)
• 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)
• Understanding with toy surrogate models in machine learning [0.0]
  不透明な機械学習モデル(ML)を理解するために用いられる単純な代理モデルの中には、科学的な玩具モデルに類似しているものもある。 本稿では,このような単純なモデルの助けを借りて,不透明なMLモデルを世界規模で理解することの意味について述べる。
  論文  参考訳（メタデータ） (2024-10-08T04:22:28Z)
• What Matters for Model Merging at Scale? [94.26607564817786]
  モデルマージは、複数の専門家モデルとより有能な単一モデルを組み合わせることを目的としている。 これまでの研究は主に、いくつかの小さなモデルをマージすることに焦点を当ててきた。 本研究は,大規模モデルマージの有用性を体系的に評価する。
  論文  参考訳（メタデータ） (2024-10-04T17:17:19Z)
• MAGDi: Structured Distillation of Multi-Agent Interaction Graphs Improves Reasoning in Smaller Language Models [61.479419734006825]
  我々は,複数言語モデル (LLM) エージェント間の推論相互作用をより小さなLMに構造化した新しい蒸留法であるMAGDiを紹介する。 7つの広く使われているコモンセンスおよび数学推論ベンチマークの実験は、MAGDiがより小さなモデルの推論能力を改善することを示している。 我々は、MAGDiが領域外タスクの一般化性を高め、基礎となる学生モデルのサイズと強度に正にスケールし、自己整合性を適用する際により大きな改善をもたらすことを示すため、広範囲な分析を行った。
  論文  参考訳（メタデータ） (2024-02-02T18:35:14Z)
• What Language Model to Train if You Have One Million GPU Hours? [54.32062236748831]
  モデリングの実践の違いがゼロショット一般化に与える影響について検討する。 また、多言語モデルの性能と、英語のみとの比較についても検討する。 私たちのモデルとコードは、https://huggingface.co/bigscience.comでオープンソース化されています。
  論文  参考訳（メタデータ） (2022-10-27T13:43:27Z)

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。