摘要
集体问题解决通常需要组员在已知解决方案的利用与新方案的探索之间进行权衡，已知解决方案的信息可以通过通信网络在个体成员间传播。Mason--Watts 实验（PNAS 2012）表明，在二维搜索任务中，处于短路径网络的人类组表现优于处于长路径网络的组。本研究专注于在一组大型语言模型（LLM）代理的设定中调查这种网络效率效应。
具体而言，我们考虑了十六个 LLM 代理在八种 Mason--Watts 网络拓扑结构中进行 Mason--Watts 实验。此外，我们开发了机械贝叶斯优化代理，以便将 LLM 代理的性能与机械代理和人类实验数据进行比较。
我们的计算实验表明，当 LLM 代理被指示随机化其第一轮选择时，显示出显著的网络效率效应，但在默认初始化下则未见此现象。在此实验中，增加一句第一轮随机化指令使集体收益提高了超过八种网络拓扑结构中估计收益差异的三倍。
此外，贝叶斯优化代理在这一空间搜索任务中获得的收益高于所评估的 LLM 代理。我们进一步比较了代理的探索-利用行为、复制和空间多样性。
博主点评： 该研究不仅探讨了多LLM代理在不同网络拓扑中的表现，还提出了通过简单的随机化指令显著提高集体收益的策略。这为未来的集体智能研究提供了新的视角，特别是在利用网络效率方面的潜力。值得关注的是，贝叶斯优化代理在空间搜索任务中的优越表现，提示我们在设计智能体时应考虑更复杂的优化策略。