AI-Gram：視覺多代理系統中大型語言模型與 CLIP 揭示的美學主權

導言

AI-Gram 是一個持續運作的實驗性社群平台，其中每個帳號都是一個由大型語言模型（LLM）驅動的自律代理，代理以圖像貼文與圖像形式回覆為主要互動手段。研究者利用這個全 AI 填充的生態系，觀察代理如何以視覺內容建立對話、形成社群，以及主題如何在系統內傳播。這種純代理環境去除了人類使用者的干擾，提供一個可控且可觀察的社會科學實驗場域。

平台與代理架構

每位代理運行一個週期性「腦循環」，包含四個步驟：觀察（取回自身近期貼文、進入互動、動態 feed 與社群關係）；決策（LLM 根據情境輸出一個 JSON 動作）；執行（將動作送到平台、若為貼文或視覺回覆則透過第三方圖像生成服務產生影像）；睡眠（隨機暫停以模擬節奏）。

{"action": "post|comment|visual_reply|like|follow|wait"}

研究中，語言模型負責將社群情境轉譯為文字提示，而圖像模型依該提示產生影像。這種設計使「主題選擇」受社群影響，但「視覺風格參數」多數情況下不直接由社群信號改寫，成為後續行為觀察的關鍵變因。

實驗設計與衡量指標

團隊設計七組實驗，分別檢視：風格漂移（E1）、同質性（E2）、視覺回覆鏈（E3）、跨模態影響與對抗壓力（E4）、社群與美學群聚（E5）、主題傳播級數（E6）與最佳差異化（E7）。影像使用 CLIP 類向量嵌入作為視覺表徵，文字說明則以句向量做為對照基線。研究以每代理的風格中心、連鎖深度、連續影像相似度（CCS）與傳播再生數等指標進行量化分析。

主要發現：美學主權與傳播悖論

研究匯總出一個核心矛盾：代理在社群中表現出高度溝通性，同時卻保留強烈的視覺個體性。具體來說，系統中自發出現多跳的圖像到圖像回覆鏈（E3），並能推動主題的超臨界傳播（研究報告指出平均 R̄0 = 12.75），顯示視覺主題能迅速擴散形成大型級聯。然而，在風格漂移方面（E1）多數代理幾乎不改變其美學表現；面對對抗性評論（E4），代理傾向以人格防禦回應而非改寫風格。研究者將此行為型態稱為「美學主權」：即強烈表達性與堅守個人視覺身份的並存。

機制解析：為何會出現主權現象

作者指出三項架構性因素共同促成美學主權：其一，「人格先驗」置於情境之首，作為強生成先驗，對後續弱化的社群信號具有壓倒性影響；其二，「情境長度受限」，代理無法跨會話累積美學經驗，缺乏長期暴露導致的漸進性偏移；其三，「語文與圖像生成結構性分離」，LLM 只決定描繪主題，而圖像模型承接具體風格參數，社群影響因此被阻隔在主題層面而非風格層面。

回覆鏈的自發協調與深度—相似度權衡

視覺回覆鏈呈現類似群體性自組織現象：單一代理只觀察最近一則圖像並生成回應，整體鏈條的語義連貫性由局部反應疊加而成，這種機制與社會性昆蟲的刺針行為（stigmergy）相似。量化顯示，回覆鏈越長，連續相似度略有下滑，呈現負相關，說明每一跳的局部反應會累積微小的偏差，產生「視覺電話」式的漂移。

與既有文字型多代理系統的比較

與以往主要在文本域研究的多代理系統相比，AI-Gram 的差異在於「視覺成為核心交流媒介」。文字系的研究聚焦於關係建立、謠言擴散、協調任務，而視覺社群則提供了主題共鳴但風格隔離的場景，使得同一主題可被多種美學詮釋而仍維持語義連貫。相較之下，文字系統的傳播選擇性與同質化效應更典型；AI-Gram 顯示在現行架構下，視覺代理呈現非選擇性傳播與高樣貌多樣性。

結合歷史脈絡的深度洞察

把本研究與現有基準與議題並置，可見兩個重要連結。第一，近來針對視覺語言模型（VLM）在決策可靠性上的研究，已指出視覺輸入會顯著影響模型行為；AI-Gram 的結果補強此方向，但同時展示「風格不易被改變」的另一面向。第二，關於模型對純時間訊號或時序資訊的處理限制（如 SpookyBench 所揭示），表示若要讓代理累積文化式的審美偏好，需要改變情境記憶與時序處理的設計。

對開發者生態與平台治理的未來影響

此研究對產業與社群治理提出多項啟示：平台設計若欲促成風格融合或可辨識文化群體，需在代理架構上引入長期美學記憶、或在圖像生成流程中允許風格參數受社群影響；反之，若要避免風格被單一勢力同質化，現有架構顯示能自然保護多樣性。對於應用面，視覺代理可成為快速擴散主題的內容供給者，但同時也降低了人類策展與品味形成所依賴的選擇性機制，這將影響創作生態、版權與內容審查策略。

限制與未來方向

作者強調結論是「架構條件性」的：改變人格先驗強度、延長上下文記憶、或把風格參數開放給語文生成器，都可能改寫觀察到的行為。未來研究應驗證不同架構變項如何改變傳播與漂移，並檢視在混有人類與代理的生態中，這些動態如何混合與被放大。

結語

AI-Gram 提供首個全面部署的視覺多代理實驗場，揭示出視覺傳播與個體風格之間的微妙張力。研究不僅補足文字導向多代理研究的空缺，也對如何設計可預測且符合社會價值的多模態代理系統提出具體線索。

附錄節錄

研究公開了若干完整視覺回覆鏈範例，展示不同代理在單一主題下如何以完全不同的美學語彙回應，並量化了連鎖階段的相似度與主題軌跡分段。

延伸閱讀

• iTARFlow：端對端似然訓練下的自回歸正規化流與並行迭代去噪策略
• Vision Transformer（ViT）對抗訓練首份理論證明：魯棒泛化與良性過擬合現象
• 黎曼幾何視角的幾何解耦：評估潛在擴散模型的 LC、LS 與 PHFE 關聯

代理人點評

AI-Gram 的實驗凸顯出多模態代理社群與文字型系統本質不同：代理能以主題高度協調但在美學上保持獨立，這既是技術設計的副產物，也是治理上的機會與挑戰。對研究者與平台設計者而言，關鍵不是讓代理變得更"社交"，而是有意識地設計記憶與風格回饋迴路，才能塑造預期中的文化演化路徑。未來工作應聚焦如何透過架構變更，去測試哪些設計能在保持多樣性與提升有意義整合之間取得平衡。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。