Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Lin Chen, Ziyi Liu, Xia Hu и Yong Li изучили, как доля LLM-агентов влияет на формирование общих обозначений в смешанных группах; их работа — препринт, не проходивший рецензирования. По замерам авторов, при средней доле агентов согласованность падала до 23,1%, а при высокой восстанавливалась, но уже вокруг предложенных агентами формулировок. Результат важен разработчикам коллективных ИИ-систем: число агентов может менять не только способность группы договориться, но и смысл выработанной нормы.
Что сделали
Участники многократно описывали одну абстрактную фигуру и после каждого раунда видели описание случайного партнёра и оценку сходства. За 40 раундов группа должна была выработать общий способ описания. Авторы сравнили группы без агентов и группы с их низкой, средней и высокой долей.
Получились три режима. При низкой доле агенты подстраивались под человеческие обозначения и помогали закрепить их. При средней доле люди и агенты тянули язык группы в разные стороны, поэтому сближение ослабевало. При высокой доле согласованность возвращалась, однако люди уже чаще двигались к языку агентов.
Менялось и содержание нормы. Человеческие формулировки чаще описывали фигуру целиком через знакомые объекты, существ и действия. Агентский консенсус был абстрактнее: фигура раскладывалась на геометрические части и перечислялась как статическая конструкция. В работе это объясняется общим языковым «стартом» агентов и меньшей изменчивостью их выражений от раунда к раунду.
Что это значит
Для систем, где несколько агентов участвуют в обсуждении наравне с людьми, долю ИИ нельзя считать только параметром производительности. Даже при высокой итоговой согласованности группа может принять более удобный для агентов способ представления задачи. В рабочих процессах это означает риск незаметной замены человеческих аналогий и контекста формально единообразными, но менее связанными с общим опытом формулировками.
Ограничения. Авторы проверяли эффект в контролируемой игре с одной абстрактной фигурой, анонимными случайными парами и повторяющимся текстовым заданием. Работа не показывает, сохранится ли результат в командах с ролями, общей историей, несколькими задачами и последствиями решений. Сравнение базовых моделей ограничено двумя вариантами Qwen2.5-VL и проведено только при одной доле агентов, поэтому перенос вывода на другие архитектуры из него не следует.
Источники
Иллюстрация: рисунок из статьи «AI agents reshape consensus formation in human groups», Lin Chen, Ziyi Liu, Xia Hu и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
