論文の概要: Who Convinced Whom? Tracing How LLMs Change Their Minds in Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.35930v1
• Date: Sun, 18 Oct 2026 16:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.181437
• Title: Who Convinced Whom? Tracing How LLMs Change Their Minds in Multi-Agent Systems
• Title（参考訳）: LLMがマルチエージェントシステムにおいてどのように心を変えるかの追跡
• Abstract要約: マルチエージェント討論(MAD)は、議論の交換を通じて言語モデル決定を改善することを目的としている。 ピアコミュニケーションが個人の意思決定や集団的成果にどう影響するかを,行動介入や内的介入を通じて検討する。
• 参考スコア（独自算出の注目度）: 10.64133570410112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent debate (MAD) aims to improve language-model decisions through the exchange of arguments, yet agreement after debate need not reflect independent corroboration. We investigate how peer communication influences individual decisions and collective outcomes through behavioral and internal interventions. We introduce MAD Bench, a 2,400-question benchmark spanning knowledge and reasoning, values and moral judgment, and safety and refusal, and evaluate three open-weight models using a round-matched independent-reflection control. Among answer-changing responses, a forced-choice readout before rationale generation matches the eventual answer more often in debate than in reflection (65.4% versus 22.3% on Qwen3.5-9B). Message ablations reveal model-dependent effects of peer answers and reasoning, while attributing identical text to the receiver rather than another agent substantially changes its influence. For the tested source descriptions, stated track record affects answer preferences more strongly than professional-status cues across all three models. Attention masking produces different changes in decision margins across the three checkpoints. On fully parsed, reference-labelled non-numeric questions, debate yields small estimated accuracy improvements over initial majority voting, while increasing the rate of unanimous wrong answers by 3.1-7.4 percentage points relative to reflection. Longer debates show persistent consensus and greater correlation between agents' correctness than reflection. These findings show that stronger consensus can coexist with more shared errors, motivating evaluations that assess dependence and unanimous errors alongside accuracy.
• Abstract（参考訳）: マルチエージェント討論(MAD)は、議論の交換を通じて言語モデル決定を改善することを目的としている。 ピアコミュニケーションが個人の意思決定や集団的成果にどう影響するかを,行動介入や内的介入を通じて検討する。 我々は,知識と推論,価値観と道徳的判断,安全と拒絶にまたがる2400の探索ベンチマークであるMAD Benchを紹介し,ラウンドマッチング独立反射制御を用いて3つのオープンウェイトモデルを評価する。 答えを変える反応の中で、合理性生成前の強制選択の読み出しは、結果の答えが反映よりも頻繁に議論される(Qwen3.5-9Bでは65.4%対22.3%)。 メッセージの短縮は、ピア回答と推論のモデル依存効果を示し、同じテキストを他のエージェントではなく受信機に帰属させることは、その影響を実質的に変化させる。 テストされたソース記述では、トラックレコードは3つのモデルすべてにまたがるプロの統計結果よりも、回答の好みに強く影響する。 注意マスキングは、3つのチェックポイントで異なる決定マージンを発生させる。 完全解析された基準付き非数値質問では、討論は最初の多数決よりも小さな推定精度の向上をもたらし、一方、一致した誤答の比率は反射に対して3.1-7.4ポイント上昇する。 長い議論は、反省よりもエージェントの正しさの間の永続的なコンセンサスとより大きな相関を示している。 これらの結果から,強いコンセンサスはより共有されたエラーと共存し,信頼度と一致したエラーを精度とともに評価する評価を動機付けることが示唆された。

関連論文リスト

• A Layered Analysis of Disagreement And Answer Quality in Multi-Agent LLM Debate [12.15064553632491]
  マルチエージェントの議論は、真の不一致を克服することで、回答の質を向上させると広く考えられている。 我々は、友好的(共通の根拠を探る)、中立的、敵対的な3つのトーンの下で750の議論を評価する。 バイアスチェックされた陪審員は299/299の結びつきを返し、検証可能な制御タスクの精度は変化せず、バイアスチェックのない陪審員は66%の勝利を宣言した。
  論文  参考訳（メタデータ） (2026-09-07T21:57:44Z)
• The Deliberative Illusion: Diagnosing Factual Attrition and Stance Homogenization in Multi-Agent LLM Deliberation [68.98390038721963]
  問題クリティカルな事実の最大72%を,マルチエージェントによる議論で消し去ることを示す。 保持された証拠は誤解を招くことなく問題を再構築し、最終的なスタンスをベースモデルに固定し、単一の悪意のあるエージェントが誤った情報を共有コンテキストに注入することができる。 我々は、どの事実、不確実性、正当な不一致が相互作用を生き残るかを測定する評価を求める。
  論文  参考訳（メタデータ） (2026-06-02T02:15:40Z)
• Not All Flips Are Conformity: Decomposing Stance Convergence in Multi-Agent LLM Debate [5.650336594658653]
  従来の解答フリップは, 自発的不安定性, 姿勢による適合性, 推論による説得の3つのメカニズムを混同している。 我々の3ソース分解フレームワークは、制御された対策条件によってそれぞれを分離する。
  論文  参考訳（メタデータ） (2026-05-30T17:41:11Z)
• CRAwDAD: Causal Reasoning Augmentation with Dual-Agent Debate [3.2852123901391077]
  我々は因果推論のための二重エージェント議論フレームワークを開発する。 エージェントは互いに説得し合い、互いの論理に挑戦します。 我々は、強力なモデルが依然として弱いエージェントとの議論から大きな恩恵を受けることを示している。
  論文  参考訳（メタデータ） (2025-11-28T03:19:35Z)
• Evaluating & Reducing Deceptive Dialogue From Language Models with Multi-turn RL [64.3268313484078]
  大規模言語モデル(LLM)は、顧客サポート、教育、医療など、世界中の何百万もの人々と対話する。 故意であれ不注意であれ、偽りのアウトプットを生産する能力は、重大な安全上の懸念を生じさせる。 本研究では, LLM が会話中の偽装にどの程度関与しているかを考察し, 偽装を定量化する信念の誤調整尺度を提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:29:36Z)
• Internalizing Self-Consistency in Language Models: Multi-Agent Consensus Alignment [22.305033366660187]
  言語モデル(LM)は矛盾する推論子であり、しばしば同じプロンプトに対する矛盾した応答を生成する。 適切に整合した推論モデルの本質的な性質として自己整合性を定式化し、MACA(Multi-Agent Consensus Alignment)を導入する。 MACAは、エージェントが自分自身をより決定的かつ簡潔に教えることを可能にし、外部の監督なしにマルチエージェント設定におけるピアインサイトをより活用する。
  論文  参考訳（メタデータ） (2025-09-18T17:27:28Z)
• DebUnc: Improving Large Language Model Agent Communication With Uncertainty Metrics [52.242449026151846]
  大規模言語モデル(LLM)の精度向上のためのマルチエージェント論争が紹介されている。 エージェントの信頼性を評価するために不確実性指標を用いた議論フレームワークであるDebUncを提案する。
  論文  参考訳（メタデータ） (2024-07-08T22:15:01Z)
• ReConcile: Round-Table Conference Improves Reasoning via Consensus among Diverse LLMs [61.07130026622437]
  大規模言語モデル(LLM)は、まだ自然言語推論タスクに苦戦している。 心の社会に動機づけられて、我々はReConcileを提案する。 LLMエージェント間のラウンドテーブル会議として設計されたマルチモデルマルチエージェントフレームワーク。
  論文  参考訳（メタデータ） (2023-09-22T17:12:45Z)

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。