在这篇论文中，我们研究了语言模型在多智能体人群仿真中的行为，重点分析情感如何在感知和评估彼此的智能体之间传播。
每个智能体通过视觉、听觉和触觉通道感知其邻居，然后根据其提示的个性特征、记忆、当前情感状态和情境背景对这些感知进行评估。评估过程由大型语言模型（LLM）执行，更新智能体的内部情感状态并选择其外在表达。该架构不包含直接转移情感状态的手动机制；相反，智能体之间的影响通过感知-评估-表达循环产生。
智能体的表示基于五大人格模型和拉塞尔的情感圆环模型。为了限制延迟，低级别的引导和导航由传统的人群仿真器独立处理，而不依赖于基于LLM的认知层。
我们在五个场景环境中评估了该架构，这些环境涵盖了不同空间布局下的惊慌、欢乐和中性情况。结果表明，该系统在稀疏的小型人群中产生了具有空间、时间和个性依赖结构的情感感染动态。惊慌从种子智能体向外传播，平均惊慌比例稳定在非零平台上，而提示的个性特征分布决定了模糊的惊慌是否引发恐慌，以及挑衅是否被解释为愤怒或恐惧。
我们进一步通过控制实验评估评估步骤，涉及提示变体、采样温度和四个模型后端，显示出动态是后端依赖的。
博主点评： 本文通过多智能体仿真探讨了情感传播的复杂性，展示了如何利用大型语言模型进行情感状态的动态评估与表达。研究结果为理解情感在群体行为中的作用提供了新的视角，尤其是在设计基于情感的智能体时，值得深入借鉴。