論文の概要: Who Should Know What? Empirical Information Design for Multi-Agent LLM Economies

• arxiv url: http://arxiv.org/abs/2611.07667v1
• Date: Thu, 05 Nov 2026 08:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.609592
• Title: Who Should Know What? Empirical Information Design for Multi-Agent LLM Economies
• Title（参考訳）: 何を知るべきなのか : マルチエージェントLLMエコノミーのための実証情報設計
• Abstract要約: より詳細な情報開示は、モデルに依存した結果をもたらす。 取引において、正確な情報によってGrok 4.7はよりバランスのとれた合意を生み出すが、Claude Opus 5.5は利得を対称に分割する。 これらの結果は,モデル選択と情報設計を協調的に最適化する必要があることを示唆している。
• 参考スコア（独自算出の注目度）: 97.14582613013613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of multi-agent LLM systems depends not only on the capabilities of the underlying models but also on information-sharing policies, which govern what information each agent observes and at what level of detail. But does providing AI agents with more detailed information always improve collective outcomes, or can transparency paradoxically degrade efficiency? To investigate this, we introduce empirical information design, an experimental framework that systematically compares disclosure policies across economic markets populated by LLM agents, while holding interaction rules and models fixed. We evaluate ten frontier LLMs in multi-resource trade, bilateral bargaining, and double auctions, using ground-truth utilities to decouple identified opportunities from realized outcomes. We find that finer information disclosure yields highly model-dependent results. In trade, revealing exact valuations rather than ordinal preference rankings reduces realized gains for GPT-6 Sol (from 98% to 91% of maximum) yet increases them for Claude Sonnet 5 (from 72% to 86%). In bargaining, exact information leads Grok 4.7 to produce less balanced agreements, whereas Claude Opus 5.5 divides gains symmetrically. In double auctions, full disclosure inflates price demands, triggering market breakdown and lowering welfare for Gemini 3.1 Pro (97% to 78%), Claude Opus 5.5 (94% to 64%), and Grok 4.7 (97% to 62%). Overall, these results suggest that model selection and information design must be co-optimized, as LLMs vary in how their strategic responses to information impact system objectives.
• Abstract（参考訳）: マルチエージェントLLMシステムの性能は、基礎となるモデルの性能だけでなく、各エージェントがどの情報を観察し、どのレベルまで詳細を管理する情報共有ポリシーにも依存する。 しかし、AIエージェントにより詳細な情報を提供することは、常に集合的な結果を改善するのか、それとも透明性がパラドックス的に効率を低下させるのか? そこで本研究では,LLMエージェントが居住する経済市場における情報公開政策を,インタラクションルールやモデルが固定された状態で体系的に比較する実験的なフレームワークである経験的情報設計を導入する。 提案手法は,複数資源取引,二国間取引,二国間取引,二国間競売の10つのフロンティア LLM の評価である。 より詳細な情報開示は、モデルに依存した結果をもたらす。 取引では、通常の選好ランキングよりも正確なバリュエーションを明らかにすることで、GPT-6 Sol(最大98%から91%まで)の利得は減少するが、Claude Sonnet 5(72%から86%まで)の利得は増大する。 交渉において、正確な情報によってGrok 4.7はよりバランスのとれた合意を生み出すが、Claude Opus 5.5は利得を対称に分割する。 複競売では、完全な開示が価格要求を膨らませ、市場が崩壊し、ジェミニ3.1 Pro(97%から78%)、クロード・オプス5.5(94%から64%)、グロク4.7(97%から62%)の福祉が低下する。 これらの結果から,LLM は情報システムの目的に対する戦略的応答の仕方が異なるため,モデル選択と情報設計を協調的に最適化する必要があることが示唆された。

関連論文リスト

• Amortising Bayesian Experimental Design for Sequential Information Gathering in LLMs [46.337528012183476]
  A SIG(Amortated Sequential Information Gathering)は,ベイズ実験設計(BED)を大規模言語モデル(LLM)に変換する微調整手法である。 SIGは7Bベースモデルの成功率を2倍以上にし、BED-LLMと比較して推論コストを25ドル以上削減する。 トレーニング中に見えない診断ベンチマークであるMediQに適用すると、SIGは7Bスケールで情報検索のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2026-07-03T15:38:17Z)
• PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents [53.369140518949656]
  外部知識グラフ(KG)の統合により,大規模言語モデル(LLM)ベースのシステムを強化する新しいフレームワークであるPersonalAI 2.0(PAI-2)を紹介する。 提案手法は,動的でマルチステージなクエリ処理パイプラインを組み込むことにより,既存のGraphRAG(Retrieval-Augmented Generation)メソッドの重要な制限に対処する。 グラフアルゴリズム(例えば、BeamSearch、WaterCircles)は、平均6%の標準フラットテンレトリバーよりも優れた結果が得られる一方で、検索計画強化機構は、6つのデータセットにわたるLLM-as-a-Judgeによる障害アルゴリズムに比べて18%向上することを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:06:30Z)
• The Wisdom of Deliberating AI Crowds: Does Deliberation Improve LLM-Based Forecasting? [0.0]
  本研究は,LLMが相互に予測をレビューできるようになれば,大規模言語モデルの精度が向上するかどうかを考察する。 Metaculus Q2 2025 AI Forecasting Tournamentから202の解決されたバイナリ質問を使用して、精度を4つのシナリオで評価した。
  論文  参考訳（メタデータ） (2025-12-27T15:45:21Z)
• Scheming Ability in LLM-to-LLM Strategic Interactions [4.873362301533824]
  大規模言語モデル(LLM)エージェントは、さまざまな状況下で自律的にデプロイされる。 2つのゲーム理論フレームワークによるフロンティアLSMエージェントの能力と妥当性について検討する。 試験用4機種(GPT-4o、Gemini-2.5-pro、Claude-3.7-Sonnet、Llama-3.3-70b)
  論文  参考訳（メタデータ） (2025-10-11T04:42:29Z)
• EACO: Enhancing Alignment in Multimodal LLMs via Critical Observation [58.546205554954454]
  臨界観測(EACO)によるMLLMのアライメント向上を提案する。 EACOは、経済的に5k画像のみを使用して、MLLMを自己生成の選好データで整列する。 EACOは幻覚全体の65.6%をHalusionBenchで減らし、MME-Cognitionで21.8%改善する。
  論文  参考訳（メタデータ） (2024-12-06T09:59:47Z)
• How Far Are We on the Decision-Making of LLMs? Evaluating LLMs' Gaming Ability in Multi-Agent Environments [83.78240828340681]
  GAMA($gamma$)-Benchは、マルチエージェント環境における大規模言語モデルのゲーム能力を評価するための新しいフレームワークである。 $gamma$-Benchは8つの古典ゲーム理論シナリオと、LSMの性能を評価するために特別に設計された動的スコアリングスキームを含んでいる。 以上の結果から, GPT-3.5は強い強靭性を示すが, 一般化性は限定的であり, Chain-of-Thoughtのような手法で拡張可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-18T14:04:47Z)
• How Easy is It to Fool Your Multimodal LLMs? An Empirical Analysis on Deceptive Prompts [54.07541591018305]
  提案するMAD-Benchは,既存のオブジェクト,オブジェクト数,空間関係などの5つのカテゴリに分割した1000の試験サンプルを含むベンチマークである。 我々は,GPT-4v,Reka,Gemini-Proから,LLaVA-NeXTやMiniCPM-Llama3といったオープンソースモデルに至るまで,一般的なMLLMを包括的に分析する。 GPT-4oはMAD-Bench上で82.82%の精度を達成するが、実験中の他のモデルの精度は9%から50%である。
  論文  参考訳（メタデータ） (2024-02-20T18:31:27Z)
• Split and Merge: Aligning Position Biases in LLM-based Evaluators [22.265542509143756]
  PortIAは、人間の比較戦略を模倣して位置バイアスを校正するアライメントベースのシステムである。 その結果, Portia はテスト対象のモデルと比較形態の整合性を著しく向上させることがわかった。 GPT-4モデルにおける位置バイアスの約80%を修正し、一貫性を98%まで高める。
  論文  参考訳（メタデータ） (2023-09-29T14:38:58Z)

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。