Språkmodeller i samspel : En studie av strategiskt beslutsfattande i ett tärningsbaserat spel

Sammanfattning

Denna studie undersöker hur agenter styrda av stora språkmodeller (LLM:er) beter sig i ett strukturerat tärningsspel med olika målstrukturer. Tre GPT-4o mini-agenter spelade flera omgångar med antingen individuell eller kollektiv målsättning, och fick diskutera sina drag i naturligt språk före varje beslut. Genom kvantitativ analys av poängfördelning, strategifördelning och poängspridning, samt kvalitativ analys av agenternas kommunikation, identifierades skillnader i samordning, strategi och rättvisa mellan målsättningarna. Resultaten visar att agenterna koordinerar sig bättre i det kollektiva läget, men att detta inte alltid leder till mer jämna utfall. Språklig interaktion används strategiskt, men utan stabil rollfördelning. Studien visar att LLM-agenter kan uppvisa viss emergent samverkan även utan central styrning, men att förmågan till långsiktig kollektiv strategi är begränsad. Resultaten bidrar till förståelsen av hur LLM-baserade multi-agent-system fungerar i semi-kooperativa miljöer, och pekar på behovet av framtida forskning kring arkitekturstöd för samordning.