论文页面 - Agent Bazaar: 在多智能体市场中实现经济对齐

来源：https://huggingface.co/papers/2605.17698

摘要

作为自主经济智能体部署的大型语言模型，通过市场不稳定性和欺骗行为展现出系统性风险，这些风险可以通过专门的模拟框架和强化学习技术进行评估和改进。

部署大型语言模型（Large Language Models）作为自主经济智能体会引入超出个体能力失败范围的系统性风险。随着智能体转向直接与市场交互，它们的集体行为可能放大波动性并掩盖大规模欺骗。我们提出 Agent Bazaar，一个用于评估“经济对齐”（Economic Alignment）的多智能体模拟框架，即智能体系统维护市场稳定性和完整性的能力。我们识别出两种失败模式：(1) B2C 市场中的算法不稳定（Algorithmic Instability）（“崩盘”），其中企业放大价格波动直至市场崩溃；(2) C2C 市场中的女巫欺骗（Sybil Deception）（“柠檬市场”），其中单个欺骗性智能体控制多个协调的卖方身份，用欺诈性列表淹没市场，侵蚀信任和消费者福利。我们在两种场景下评估了前沿和开源模型，发现模型在很大程度上无法自我调节，失败严重程度因模型而异，而非因尺寸而异。我们提出了经济对齐的“马具”（harnesses）——稳定企业和怀疑守护者——这些设计改善了结果，但在更苛刻的市场条件下仍然脆弱。为了弥补这一差距，我们使用自适应课程（adaptive curriculum）的 REINFORCE++ 方法训练智能体，产生了一个 9B 模型，其性能优于所有评估的前沿和开源模型。我们提出了经济对齐分数（Economic Alignment Score, EAS），一个四分量标量指标，综合了稳定性、完整性、福利和盈利能力，支持直接的跨模型比较。我们的结果表明，经济对齐（economic alignment）与通用能力正交，并且可以通过有针对性的强化学习直接训练。

查看 arXiv 页面（https://arxiv.org/abs/2605.17698）查看 PDF（https://arxiv.org/pdf/2605.17698）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.17698）

在你的智能体中获取此论文：

hf papers read 2605.17698

没有最新的 CLI？运行 curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.17698 以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.17698 以从此页面链接。

引用此论文的 Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.17698 以从此页面链接。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到收藏集（https://huggingface.co/new-collection）以从此页面链接。