論文の概要: TradeWar: A Benchmark for Execution-Grounded Trade Negotiation with Adaptive LLM Agents

• arxiv url: http://arxiv.org/abs/2610.42004v1
• Date: Fri, 30 Oct 2026 16:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.815847
• Title: TradeWar: A Benchmark for Execution-Grounded Trade Negotiation with Adaptive LLM Agents
• Title（参考訳）: TradeWar: 適応LDMエージェントによる実行中心の貿易ネゴシエーションのベンチマーク
• Abstract要約: 交渉対話を具体的な関税と貿易共有ポリシーに変換するマルチカントリー・シミュレーション・ベンチマークであるTradeWarを紹介する。 我々は,その交渉戦略を反復的に洗練させるエージェントであるTACTIC(Trade-aware Adaptive Consolidation and Theory-of-mind for International Commerce)を提案する。 20回の連続エピソードと3つのシードで、TACTICの最終EHIは58.2から73.2に改善され、アブレーションは65.2に改善された。
• 参考スコア（独自算出の注目度）: 16.320232531295055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-turn negotiation remains a challenging problem for large language model (LLM) agents. While LLMs can conduct natural-language dialogue, existing benchmarks predominantly assess only agreement rates, overlooking whether negotiated commitments actually create value once executed. To address this gap, we introduce TradeWar, a multi-country simulation benchmark that translates negotiation dialogues into concrete tariff and trade-share policies, enforces capacity and network constraints during settlement, and evaluates outcomes via an Economic Health Index (EHI). To solve this execution-grounded task, we propose TACTIC (Trade-aware Adaptive Consolidation and Theory-of-mind for International Commerce), an agent that iteratively refines its negotiation strategy across episodes-without updating base LLM weights-by leveraging prior experience, opponent behavior, and past settlement outcomes. Despite using zero-shot chain-of-thought (CoT) prompting, PromptLLM attains a 75% agreement rate but only 57.1 final EHI (*100), whereas TACTIC reaches 68.8. Across 20 sequential episodes and three seeds, TACTIC's final EHI improves from 58.2 to 73.2, compared with 65.2 for an ablation without cross-episode updates. Under technology-controls and energy-crisis shocks, TACTIC also exhibits smaller performance degradation than PromptLLM and MemoryLLM. These results indicate that CoT deliberation and interaction memory alone do not fully address delayed execution feedback, whereas settlement-grounded adaptation improves long-horizon negotiation in TradeWar.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントにとって、マルチターンネゴシエーションは依然として困難な問題である。 LLMは自然言語対話を行うことができるが、既存のベンチマークは主に合意率のみを評価し、交渉されたコミットメントが実際に一度実行された値を生成するかどうかを見落としている。 このギャップに対処するため,交渉対話を具体的な関税・貿易共有政策に変換するマルチカントリー・シミュレーション・ベンチマークであるTradeWarを導入する。 この実行課題を解決するために,先行経験,相手行動,過去の決済成果を活用して,基本LLM重みを更新することなく,エピソード間の交渉戦略を反復的に洗練するエージェントであるTACTIC(Trade-aware Adaptive Consolidation and Theory-of-mind for International Commerce)を提案する。 ゼロショット・チェーン・オブ・シークレット(CoT)の推進にもかかわらず、PromptLLMは75%の合意率を得るが、最終的なEHI(*100)は57.1に過ぎず、TACTICは68.8に到達した。 20回の連続エピソードと3つのシードで、TACTICの最終EHIは58.2から73.2に改善され、アブレーションは65.2に改善された。 技術制御とエネルギー危機ショックの下では、TACTICはPromptLLMやMemoryLLMよりも性能劣化が小さい。 以上の結果から,CoT検討とインタラクションメモリだけでは遅延実行フィードバックには対処できないことが示唆された。

関連論文リスト

• TERMS-Bench: Diagnosing LLM Negotiation Agents Beyond Deal Rate [34.67393151003599]
  交渉はエージェント言語モデルのための標準的なテストベッドである。 数学やコードとは異なり、本質的な検証がない。 本稿では,環境自体を検証対象とするベイズゲームフレームワークであるTerms-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-13T06:22:50Z)
• Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
  貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。 本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。 この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
  論文  参考訳（メタデータ） (2026-04-10T03:04:20Z)
• PieArena: Frontier Language Agents Achieve MBA-Level Negotiation Performance and Reveal Novel Behavioral Differences [13.759960839511807]
  マルチエージェントインタラクションを基盤とした大規模ベンチマークベンチマークであるPieArenaを紹介する。 代表的フロンティア言語エージェント(GPT-5)が、訓練されたビジネススクールの生徒と一致したり、成績が良くなった場合の、人間-専門家レベルのパフォーマンスの体系的証拠を見出した。
  論文  参考訳（メタデータ） (2026-02-05T04:52:20Z)
• LLM Rationalis? Measuring Bargaining Capabilities of AI Negotiators [2.1952520391635586]
  バイラテラルネゴシエーションは、人間の交渉者がアンカー、ペーシング、柔軟性を動的に調整し、パワー・アシンメトリーと非公式な手段を利用する複雑なコンテキスト依存のタスクである。 双曲的接点曲線に基づく譲歩力学をモデル化するための統一的な数学的枠組みを導入する。 人間の交渉者と4つの最先端の大規模言語モデル(LLM)を、自然言語と数値的な設定で大規模に比較した。
  論文  参考訳（メタデータ） (2025-12-15T07:50:09Z)
• EQ-Negotiator: Dynamic Emotional Personas Empower Small Language Models for Edge-Deployable Credit Negotiation [66.09161596959771]
  小型言語モデル (SLM) は実用的な代替手段を提供するが、大規模言語モデル (LLM) と比較して大きな性能差がある。 本稿では,感情的ペルソナを用いて,この能力ギャップを橋渡しする新しいフレームワークであるEQ-Negotiatorを紹介する。 EQ-Negotiator を用いた 7B パラメータ言語モデルは,ベースライン LLM の 10 倍以上の大きさで,債務回復と交渉効率が向上することを示す。
  論文  参考訳（メタデータ） (2025-11-05T11:25:07Z)
• EvoEmo: Towards Evolved Emotional Policies for Adversarial LLM Agents in Multi-Turn Price Negotiation [61.627248012799704]
  既存のLarge Language Models (LLM)エージェントは、そのような交渉における感情の機能的役割をほとんど見落としている。 本稿では,交渉における動的感情表現を最適化する進化的強化学習フレームワークであるEvoEmoを紹介する。
  論文  参考訳（メタデータ） (2025-09-04T15:23:58Z)
• Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues [47.977032883078664]
  我々は,ビジネス交渉における対話者を支援する大規模言語モデル(LLM)に基づく支援エージェントを開発する。 第3のLLMは、交渉結果を改善するための基準に違反した発話を書き換える仲介役として機能する。 3つの異なる交渉トピックにわたる交渉において,その効果を示すための実証的証拠を豊富に提供する。
  論文  参考訳（メタデータ） (2024-01-29T09:07:40Z)

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。