Drivers of LLM Consensus Formation Under Competing Incentives: A Simulation Study
作者: Isabel Jones, Matthew Edwards, Janina A. Hoffmann
分类: cs.AI, cs.MA
发布日期: 2026-10-14
💡 一句话要点
提出网络共识游戏评估机制以研究LLM共识形成
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 共识形成 多智能体系统 网络结构 竞争性激励 实验评估 开源模型 闭源模型
📋 核心要点
- 现有的LLMs在多智能体环境中的共识形成机制尚不明确，尤其是在竞争性激励下的表现。
- 本文通过网络共识游戏评估LLMs的共识形成机制，分析不同通信方式和网络结构的影响。
- 实验结果显示，开源LLMs达成共识的频率低于人类，而ChatGPT 5.6-sol在有限通信情况下表现优异。
📝 摘要（中文）
大型语言模型（LLMs）在多智能体环境中越来越多地被应用，这些环境中会产生一致的协议。理解在竞争性激励下，LLMs如何达成共识对于更好地解释和设计LLM集体至关重要。本文基于网络共识游戏引入了一种评估机制，考察了影响共识形成的机制。研究发现，开源LLMs在全球网络中进行信息交流时达成共识的频率低于人类，而ChatGPT 5.6-sol则能在邻居之间有限交流的情况下达成共识，表现出更低的固执性和更高的跟随多数的倾向。尽管如此，聚类图的结构会降低共识的达成，表明系统设计和个体模型特征共同影响集体结果。
🔬 方法详解
问题定义：本文旨在解决LLMs在多智能体环境中如何在竞争性激励下达成共识的问题。现有方法未能充分揭示不同激励和网络结构对共识形成的影响。
核心思路：通过引入网络共识游戏，评估不同通信方式和网络结构对LLMs共识形成的影响，旨在揭示影响共识的机制。
技术框架：整体架构包括多个智能体在网络中进行信息交流，智能体需就两种颜色达成一致以获得收益。研究中考虑了通信访问、网络结构等因素，并评估了六个开源模型和一个闭源模型（ChatGPT 5.6-sol）。
关键创新：主要创新在于通过网络共识游戏的框架，系统性地分析了LLMs在不同激励和网络结构下的共识形成机制，尤其是开源与闭源模型的对比。
关键设计：实验中设置了不同的通信方式（如全球通信与邻居通信），并考察了网络的聚类程度对共识达成的影响，发现聚类结构会显著降低共识形成的概率。实验还分析了模型的固执性和跟随多数的倾向。
🖼️ 关键图片
📊 实验亮点
实验结果表明，开源LLMs在全球网络中达成共识的频率低于人类，而ChatGPT 5.6-sol在邻居通信和无通信情况下均能达成共识。聚类图结构显著降低了共识达成的可能性，强调了系统设计的重要性。
🎯 应用场景
该研究为理解和设计LLM集体提供了重要的理论基础，尤其是在多智能体系统和协作任务中。未来可应用于智能体协作、群体决策和社会网络分析等领域，推动相关技术的发展与应用。
📄 摘要（原文）
Large Language Models (LLMs) are increasingly deployed in multi-agent environments that produce unanimous agreement, both in intended interactions that need coordination and in unintended emergent interactions. Consequently, understanding how LLMs with competing incentives reach consensus is crucial to better interpret and design LLM collectives. We introduce an evaluation, based on the Network Consensus game, to assess the mechanisms driving this process. Here, a network of agents must agree on one of two colours to receive a payoff, but agents are offered different payoffs for the agreed colour. We vary components such as communication access and network structure and assess six open-source models and one closed model (ChatGPT 5.6-sol). We find that open-source LLMs reach consensus less often than humans in comparable experiments and only if messages are communicated across the global network. ChatGPT 5.6-sol, however, is able to reach consensus with communication limited to its neighbours and with no communication ability. This is achieved through lower stubbornness and higher majority-following tendencies, and by providing more information about its neighbours' states in messages. However, situating agents in a highly clustered graph reduces consensus, regardless of these traits, demonstrating that both system design and individual model traits drive collective outcomes.