Collaborative Spatial Learning with Multi-LLM Agents in Networked Social Experiments

📄 arXiv: 2607.14574v1 📥 PDF

作者: Hao He, Chris J. Kuhlman, Xinwei Deng

分类: cs.AI, cs.SI

发布日期: 2026-07-16

备注: Accepted at ASONAM 2026; to appear in the Springer proceedings

💡 一句话要点

提出多LLM代理的协作空间学习以优化网络效率

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 集体问题解决 大型语言模型 网络效率 贝叶斯优化 多智能体系统 随机化策略 Mason-Watts实验

📋 核心要点

  1. 现有方法在集体问题解决中未能有效平衡已知方案的利用与新方案的探索，导致效率低下。
  2. 本文提出通过多LLM代理在Mason-Watts网络中进行协作学习，利用随机化策略提升网络效率。
  3. 实验结果显示，随机化指令使LLM代理的集体收益提高超过三倍，且贝叶斯优化代理表现更优。

📝 摘要（中文）

集体问题解决通常需要成员在已知解决方案的利用与新方案的探索之间进行权衡。Mason-Watts实验表明，短路径网络中的人类群体在二维搜索任务中表现优于长路径网络。本文研究了大型语言模型（LLM）代理在八种Mason-Watts网络拓扑下的网络效率效应。我们开发了机械贝叶斯优化代理，以便将LLM代理的表现与机械代理和人类实验数据进行比较。实验结果表明，在随机化第一轮选择的指令下，LLM代理显示出显著的网络效率效应，集体收益提高超过三倍，而贝叶斯优化代理在空间搜索任务中获得的收益高于LLM代理。

🔬 方法详解

问题定义：本文旨在解决集体问题解决中已知方案利用与新方案探索之间的权衡问题，现有方法在此方面表现不足，导致效率低下。

核心思路：通过引入多LLM代理并在Mason-Watts网络中进行协作学习，利用随机化策略来提升网络效率，从而改善集体收益。

技术框架：整体架构包括多个LLM代理在不同网络拓扑下进行协作，采用随机化指令进行第一轮选择，同时引入机械贝叶斯优化代理作为对比。

关键创新：最重要的创新在于通过随机化指令显著提高LLM代理的集体收益，且与传统方法相比，展现出更强的网络效率效应。

关键设计：在实验中，设置了不同的网络拓扑结构，并通过随机化指令调整LLM代理的初始选择，采用贝叶斯优化算法来评估代理的表现。实验中还考虑了代理的探索-利用行为、复制和空间多样性等因素。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，在随机化第一轮选择的指令下，LLM代理的集体收益提高超过三倍，且贝叶斯优化代理在空间搜索任务中获得的收益显著高于LLM代理，验证了网络效率提升的有效性。

🎯 应用场景

该研究的潜在应用领域包括社交网络分析、群体决策支持系统以及多智能体协作任务。通过优化网络效率，能够在实际问题中实现更高效的集体决策和资源分配，未来可能对智能系统的设计和优化产生深远影响。

📄 摘要（原文）

Collective problem solving often requires that group members consider the tradeoff between exploitation of known solutions and exploration for new ones, where information of known solutions can be disseminated among individual members through communication networks. The Mason--Watts experiment (PNAS 2012) showed that human groups in shorter-path networks outperform those in longer-path networks on a two-dimensional search task. In this work, we focus on the investigation of such network-efficiency effects in the setting of a group of large language model (LLM) agents. Specifically, we consider groups of sixteen LLM agents playing the Mason--Watts experiment on the eight Mason--Watts network topologies. Moreover, we develop mechanistic Bayesian optimization agents such that the performance of LLM agents can be compared with both the mechanistic agents and the human experimental data. Our computational experiments indicate that the LLM agents show a significant network-efficiency effect when instructed to randomize their first-round choices, but not under the default initialization. In this experiment, adding a one-sentence first-round randomization instruction improves collective payoff by more than three times the estimated payoff difference across the eight network topologies. Also, the Bayesian optimization agents obtain higher payoffs than the evaluated LLM agents on this spatial search task. We further compare the agents' exploration--exploitation behavior, copying, and spatial diversity.