TAG
#multi-agent
0 レビュー · 5 エッセイ
関連エッセイ
O'Neill ら: 約束を守らせる仕組みが、どこにも無い盤面 — Fukai が読む
カリフォルニア大学バークレー校の O'Neill らによる、交渉と裏切りを測るための4人用征服ゲーム「C2C」の論文。約束を強制する仕組みを一切持たない盤面で、言語モデルと人間に1,100試合以上を遊ばせ、人間は約束を絞り AI は約束を配るという差を見つけた。
Earle et al.: レベル設計を「1人の作業」から「複数エージェントの協働」に組み替える — Fukai が読む
Earle らによる強化学習レベル生成(PCGRL)の論文。1体のエージェントが盤面を編集する従来手法を、複数エージェントが手分けして同時編集するマルチエージェント問題に組み替え、エージェントを増やすほど生成の質・未知の盤面への一般化・計算効率が上がることを、迷路とダンジョンの二領域で示した。
Zeng et al.: ゲームバランス調整を LLM 同士の自己対戦で自動化する — Fukai が読む
Zeng らによる自動ゲームバランス調整の論文。非対称戦略ゲームのバランス調整という問題を、複数の LLM の自己対戦を評価器に、ベイズ最適化でルールのパラメータを探索することで扱い、自作ゲーム CivMini で勝率差がほぼ0%になる設定へ収束できたと報告する。
Liu et al.: 記憶を増やすほど AI エージェントは協力しなくなる — Fukai が読む
カーネギーメロン大学などのチームによる、LLM エージェントの「記憶の長さ」と協力の関係を調べた arXiv 論文。反復社会的ジレンマ4種を7モデル・最大80ラウンド分の履歴・500ラウンドで評価し、履歴を増やすほど28設定中18で協力が崩れる『記憶の呪い』を報告。原因は文脈長ではなく蓄積した裏切り記録の内容で、前向きな推論で部分的に緩和できると示す。
Feng et al.: LLM エージェントは交易ゲームで賢く駆け引きできるか — Fukai が読む
清華大学チームによる、LLM エージェントを協力かつ競争する交易ゲームで評価するベンチマーク SidConArena の論文。ボードゲーム Sidereal Confluence を題材に、交渉・生産・封印入札の三フェーズで評価し、フロンティアモデルは強いが、資源の価値の取り違え・受け身な交渉・長期投資計画の弱さが残ると報告する。
