多代理系統與多樣性塌陷：從人工智慧模型到群體互動的系統性實證

快速結論

多代理系統在創意生成中並非自動帶來更多多樣性；互動結構可能反而收斂探索，導致多樣性塌陷。

實驗與發現

研究從模型智能、個體認知與系統動態三個底層面向展開實驗。模型層指出，更強且高度一致的人工智慧模型能提高單筆品質，但邊際多樣性遞減。認知層發現權威驅動的互動會壓抑語意多樣性，而較由年輕或次要成員主導的群組呈現較高語意分歧。系統層則顯示群體規模擴張回報遞減，且密集通訊拓撲會加速早熟收斂。

結論與啟示

作者將這些集體失誤歸因於結構耦合：互動架構使個體探索彼此耦合，無意中收斂整體探索空間。結論強調，創意任務的多代理系統設計應刻意保留獨立性與異見，避免過度一致化的互動導致多樣性流失。原始程式碼與實驗資料已公開以供驗證與後續研究。

延伸閱讀

• 大型語言模型的多實例處理瓶頸：實例數影響勝過上下文長度
• Stream2LLM 的兩階段排程與 LCP 快取策略：在多租戶串流檢索下的 GPU 成本優化
• 一側對話（1SC）：在隱私限制下的對話重建與摘要生成

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。