When Numbers Start Talking: Numerical Signalling and Strategic Behaviour Among LLMs
作者: Alessio Buscemi, Daniele Proverbio, Alessandro Di Stefano, The Anh Han, German Castignani, Pietro Liò
分类: cs.AI
发布日期: 2026-10-02
💡 一句话要点
研究LLM在多智能体系统中数值信号与战略行为的影响
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 多智能体系统 战略行为 数值信号 合作均衡 消息传递 AI智能体
📋 核心要点
- 当前对不同类型消息在战略游戏中影响的研究较少，缺乏系统性分析。
- 本文通过对四种LLM在不同游戏中的表现进行实验，探讨消息类型对合作水平的影响。
- 实验结果显示，结构化消息显著改变了游戏收益，但变化模式不具可预测性，提出了新的研究挑战。
📝 摘要（中文）
随着基于大型语言模型（LLM）的智能体在多智能体系统（MAS）中的应用日益增多，关于不同类型消息如何影响战略游戏结果的研究仍然较少。本文通过研究四种流行的LLM在四种不同合作均衡游戏中的表现，探讨自然语言、数值信号和随机序列等不同消息类型对合作水平的影响。结果表明，结构化消息在大多数游戏中显著改变了最终收益，但没有可预测的模式，挑战了AI智能体在额外能力下收敛到稳定均衡的假设。此外，智能体生成的数值消息偏离随机性，但其符号分布与收益结构相关，且难以被人类解释。基于此，建议在监控AI智能体协调时优先关注消息级别的特征。
🔬 方法详解
问题定义：本文旨在探讨不同类型消息（如自然语言、数值信号等）在多智能体系统中如何影响战略游戏的结果。现有研究对这一问题关注不足，缺乏系统性分析。
核心思路：通过对四种流行的LLM进行实验，分析它们在不同合作均衡游戏中的表现，重点关注消息类型对合作水平的影响。设计上，研究了智能体在不同指令下生成的消息特征。
技术框架：整体研究框架包括四种LLM的选择、四种不同的战略游戏设计，以及对生成消息的分析。主要模块包括消息类型的分类、游戏结果的评估和智能体行为的监测。
关键创新：本文的创新点在于揭示了结构化消息对游戏收益的影响，并指出其变化模式的不确定性，挑战了AI智能体收敛到稳定均衡的传统假设。
关键设计：在实验中，设置了不同的消息类型和智能体个性，采用了收益结构作为分析基础，关注消息的符号分布和重复性对合作水平的影响。
🖼️ 关键图片
📊 实验亮点
实验结果显示，结构化消息在大多数游戏中显著改变了最终收益，但变化模式不具可预测性。智能体生成的数值消息在被指令时表现出更强的规律性，但其符号分布难以被人类理解，提出了新的解释挑战。
🎯 应用场景
该研究为多智能体系统中的AI智能体设计提供了新的视角，尤其是在需要高效沟通与合作的场景中，如自动驾驶、智能制造和金融交易等领域。未来，理解智能体间的消息传递机制将有助于提升系统的整体性能与稳定性。
📄 摘要（原文）
Large language model (LLM)-based agents increasingly operate in multi-agent systems (MAS) characterised by strategic interaction. However, little is known about whether, and to what extent, different types of messages affect the outcomes of strategic games. By investigating AI agents based on four popular LLMs, playing four games with different cooperation equilibria, we study whether messages of different kinds (natural language, numerical signals, or random sequences) significantly modify the levels of cooperation in each game, also depending on the agents' assigned personalities. We observe that structured messages alter the final payoffs for most games and LLMs, but without a predictable pattern; this challenges the assumption that AI agents can converge to stable equilibria regardless of additional capabilities. Moreover, we observe that agent-generated numerical messages depart from randomness, most strongly and consistently when agents are explicitly instructed to communicate; however, they introduce an additional interpretability challenge, as their symbol distributions are mostly associated with the payoff structure and typically become more concentrated with repetition, but are overall difficult for humans to interpret. Monitoring for coordination of AI agents through restricted channels should thus prioritise message-level fingerprints, which generalise across models, over behavioural decisions, which do not.