情感如何在LLM智能体间传播:人群模拟中的涌现情感传染
摘要
本文提出了一种多智能体人群模拟,使用LLM驱动的智能体通过视觉、听觉和触觉通道相互感知和评估,导致涌现的情感传染,无需显式手工编写的情感转移。研究展示了在五个场景中空间、时间和人格依赖的传染动态,并评估了后端依赖的评估行为。
查看缓存全文
缓存时间: 2026/07/29 09:53
# 情感如何在LLM代理间传播:人群模拟中的涌现情感传染 来源:https://arxiv.org/html/2607.25140 Funda Durupinar 计算机科学系 麻省大学波士顿分校 波士顿, MA 02125 funda\.durupinarbabur@umb\.edu ###### 摘要 本文研究语言模型在多代理人群模拟中的行为,重点关注代理之间如何通过感知和评价彼此来传播情感。每个代理通过视觉、听觉和触觉通道感知其邻居,然后根据其提示的人格特征、记忆、当前情感状态和情境背景对这些感知进行评价。评价由LLM执行,LLM更新代理的内部情感状态并选择其外部表达。该架构不包含任何手动编写的机制来直接传递代理之间的情感状态;相反,代理间的影响通过感知-评价-表达循环产生。代理的表示借鉴了大五人格模型和Russell情感环状模型。为限制延迟,底层导航和自主移动由独立于LLM认知层的传统人群模拟器处理。我们在五种场景环境中评估该架构,涵盖令人警觉、愉快和中性的情况,并采用不同的空间布局。结果表明,该系统在稀疏、小规模人群中产生了具有空间、时间和人格依赖结构的情感传染动态。警报从种子代理处以行进波形式传播,平均报警比例稳定在一个非零平台,而提示人格特征的分布决定了模糊警报是否会引发恐慌,以及挑衅行为是被解读为愤怒还是恐惧。我们进一步通过对比提示变体、采样温度和四个模型后端的控制实验来评估评价步骤,表明动态过程依赖于后端模型。 ## 1 引言 LLM代理社会为计算社会科学\[45 (https://arxiv.org/html/2607.25140#bib.bib1)\]提供了一种可能具有颠覆性的范式。通过提供近似人类行为的硅基环境\[5 (https://arxiv.org/html/2607.25140#bib.bib13)\],它们使得在人类受试者身上无法实现或不道德的控制实验成为可能,并让研究人员得以研究复杂的、涌现性的社会互动。因此,它们已被用作经济学\[28 (https://arxiv.org/html/2607.25140#bib.bib14),32 (https://arxiv.org/html/2607.25140#bib.bib15)\]、情感神经科学\[73 (https://arxiv.org/html/2607.25140#bib.bib86)\]、社会与政治科学\[4 (https://arxiv.org/html/2607.25140#bib.bib43),71 (https://arxiv.org/html/2607.25140#bib.bib46)\]、应急模拟\[11 (https://arxiv.org/html/2607.25140#bib.bib47),57 (https://arxiv.org/html/2607.25140#bib.bib48)\]和社交网络\[20 (https://arxiv.org/html/2607.25140#bib.bib44)\]中的人类代理。除了模拟人类,这些社会还可作为测试平台,用于研究AI代理的行为倾向、局限性和涌现动态。LLM驱动的代理已被用于填充虚拟空间\[43 (https://arxiv.org/html/2607.25140#bib.bib2),66 (https://arxiv.org/html/2607.25140#bib.bib45)\];研究自动驾驶\[64 (https://arxiv.org/html/2607.25140#bib.bib38)\]、应急响应协调\[12 (https://arxiv.org/html/2607.25140#bib.bib39)\]、配送与仓储机器人\[56 (https://arxiv.org/html/2607.25140#bib.bib40)\]等领域的涌现行为;以及追踪错误或不安全行为如何在多代理和多机器人协作中级联传播\[30 (https://arxiv.org/html/2607.25140#bib.bib41),70 (https://arxiv.org/html/2607.25140#bib.bib42)\]。基于这第二个方向,本文探索LLM驱动代理在动态人群模拟中的情感传染。我们为每个群体代理配备一个基于LLM的“思维”,它负责认知评价、内部情感状态以及外部表达的选择。代理感知邻近代理的可观察行为,对其进行评价,并相应更新自己的情感和表达。这些变化随后变得对他人可见,从而形成一个将邻近代理的情感动态联系起来的双向反馈循环。我们研究这些局部交互是否会产生连贯的空间、时间及性格特征模式的情感传播,以及它们是否会引发恐慌等集体行为。为了使代理的行为植根于人类心理学,其情感状态建立在已确立的心理学模型之上。人格采用大五模型\[21 (https://arxiv.org/html/2607.25140#bib.bib9)\]表示,情感则使用Russell情感环状模型\[50 (https://arxiv.org/html/2607.25140#bib.bib8)\]进行编码。我们的方法将高层决策与低层空间控制解耦。LLM负责评价、情感和表达,而人群动态如几何路径规划、障碍物回避和刚体物理学由底层模拟器处理。尽管这种分离可能限制某些形式的涌现,但它避免了依赖零样本语言模型进行实时空间和物理推理任务,这些任务超出了它们当前的能力范围。利用这一设置,我们研究情感是否以及如何通过人群传播。我们提出以下假设: H1. 邻居的可观察表达预测代理情感状态的变化,正如社会评价理论对人类所预测的那样\[40 (https://arxiv.org/html/2607.25140#bib.bib81),44 (https://arxiv.org/html/2607.25140#bib.bib70)\]。 - H1.a 警报线索导致效价降低和唤醒度升高。 - H1.b 积极表达导致效价和唤醒度升高\[6 (https://arxiv.org/html/2607.25140#bib.bib22)\]。 - H1.c 在没有显著线索的平静环境中,情感不受传染驱动;人群直接评价良性环境。 H2. 从种子开始,警报以波前形式传播\[49 (https://arxiv.org/html/2607.25140#bib.bib79),19 (https://arxiv.org/html/2607.25140#bib.bib80),25 (https://arxiv.org/html/2607.25140#bib.bib36)\]。代理警报发作时间可由其与种子的距离预测。 H3. 人群中警报比例随时间的变化遵循区室流行病模型,如易感-感染-易感(SIS)或易感-感染-恢复(SIR)\[27 (https://arxiv.org/html/2607.25140#bib.bib25)\],或人格类人群模型所基于的广义阈值传染\[13 (https://arxiv.org/html/2607.25140#bib.bib32)\]。这种情感传播的框架在人群模拟文献中是标准的\[16 (https://arxiv.org/html/2607.25140#bib.bib19),7 (https://arxiv.org/html/2607.25140#bib.bib20),62 (https://arxiv.org/html/2607.25140#bib.bib37)\]。 H4. 传染由代理感知他人表达的模态携带。阻塞所有感知模态将传输降至基线,而不同模态在传染携带程度上存在差异。 H5. 人群的人格分布决定涌现的传染。这一假设基于人群模拟文献\[17 (https://arxiv.org/html/2607.25140#bib.bib24),16 (https://arxiv.org/html/2607.25140#bib.bib19)\]。 - H5.a 当平均神经质水平升高时,一个模糊的、无种子的刺激可能使人群陷入自我放大的恐慌。在稳定的群体中观察不到这种效应。 - H5.b 少数性情冷静的代理能减少其余人群感染的恐慌程度。 - H5.c 愤怒仅在存在挑衅者且接收群体具有易怒倾向(低宜人性)时传播。基线群体对相同挑衅的评价是恐惧。 除了检验这些假设,我们还评估了评价模型在提示表述、采样温度和后台模型方面的鲁棒性。结果表明,评价在提示和温度变化下基本稳定,而对人格的敏感性取决于后台模型,并影响传染是否涌现。本研究的发现可能支持为游戏、电影和训练模拟开发心理上多样化的群体。该架构也可能为超出人群模拟的系统提供参考。随着LLM代理越来越多地部署在多代理环境中,理解一个代理的表达状态如何影响邻近代理对于评估此类系统的稳定性非常重要。此外,在针对经验性人类群体数据进行验证后,评价驱动的人群模型也可能通过明确和可测试的方式将群体组成与恐慌传播之间的关系联系起来,从而为疏散和安全研究做出贡献。 ## 2 相关工作 ### 2.1 生成式代理社会与涌现集体行为 从Park等人\[43 (https://arxiv.org/html/2607.25140#bib.bib2)\]的开创性工作开始,使用LLM驱动的社会代理作为人类行为代理的微观社会模拟对相对较新的计算社会科学范式\[74 (https://arxiv.org/html/2607.25140#bib.bib3)\]做出了重要贡献。超出少量代理的范畴,此类模拟已变得雄心勃勃,足以模拟包含数千代理的代理文明\[1 (https://arxiv.org/html/2607.25140#bib.bib4)\]。Concordia\[63 (https://arxiv.org/html/2607.25140#bib.bib49)\]将这一系列工作推广为一个可重用的生成式基于代理的模型库,其中代理通过自然语言描述其意图,而游戏主持人将这些意图转化为物理或数字基础环境中的效果。一旦存在这样的社会,自然的下一问题是当许多LLM代理交互时会发生什么,这与任何单个代理的内部架构无关。Talebirad等人\[59 (https://arxiv.org/html/2607.25140#bib.bib51)\]研究聚合独立LLM估计是否再现了经典“群体智慧”效应用于基于视觉的估计任务。他们表明,来自多样化模型集的确定性响应的中位数聚合是最有效的方法。Wu等人\[69 (https://arxiv.org/html/2607.25140#bib.bib17)\]研究竞争性LLM代理之间的自发合作,表明无需明确合作指令即可出现涌现性社会行为。Piao等人\[45 (https://arxiv.org/html/2607.25140#bib.bib1)\]将这一问题扩展到大规模模拟社会,表明LLM驱动的生成式代理能够在人口规模上重现可识别的人类行为模式。Lin等人\[37 (https://arxiv.org/html/2607.25140#bib.bib52)]构建了由生成模型增强的LLM代理数字人群,作为在众包和营销研究中招募人类参与者的低成本替代方案。 ### 2.2 使用LLM的人群模拟 上述社会与人群模拟不同,因为它们探索社会动态,但不涉及人群的物理方面。第二条工作线将LLM引入人群模拟。由于人群动态对零样本LLM当前的能力构成挑战,运动和导航由经典人群模拟技术、数据驱动方法或微调模型处理。Liu等人\[38 (https://arxiv.org/html/2607.25140#bib.bib6)\]研究语言驱动的多代理场景中的涌现人群动态,其中LLM定期根据代理间对话设置每个代理的目标和转向参数,而底层运动仍基于力。Panayiotou等人\[42 (https://arxiv.org/html/2607.25140#bib.bib16)\]使用LLM为人群场景引导合成数据集,将人群的空间和时间演化编码为时间扩展图,从中生成新场景。Hwang等人\[31 (https://arxiv.org/html/2607.25140#bib.bib58)\]将感知和行动与具身视觉-语言-行动代理相结合,用于上下文感知的人群模拟,通过低秩适应(LoRA)微调视觉语言模型进行人群导航。Gu等人\[22 (https://arxiv.org/html/2607.25140#bib.bib5)\]同样将运动置于LLM之外,结合OCEAN模型、维度情感模型和LLM认知核心,并使用情感条件神经A*进行人格和情感依赖的路径规划。他们的情感动态遵循手写的更新规则,其中特质缩放情感更新,如\[16 (https://arxiv.org/html/2607.25140#bib.bib19)\]所示,而LLM仅限于记忆、规划和对话。我们的工作则移除了手写规则,研究情感如何通过评价在代理间传播。LLM驱动的代理也已被部署在安全关键的人群场景中,现有系统的主要区别在于LLM控制哪个层。Sultimov等人\[57 (https://arxiv.org/html/2607.25140#bib.bib48)\]在灾害响应模拟中使用LLM代理捕捉涌现的疏散和通信行为。Saravanan等人\[52 (https://arxiv.org/html/2607.25140#bib.bib56)\]将建筑蓝图的语义分割与社会力模型相结合,LLM提供火场疏散规划的情境叙事。Dang等人\[11 (https://arxiv.org/html/2607.25140#bib.bib47)]类似地使用携带个性化记忆和认知的LLM代理驱动元胞自动机火灾疏散模型,Yang等人\[72 (https://arxiv.org/html/2607.25140#bib.bib7)\]在基于代理的疏散模型中加入LLM推理,报告称相较于经典规则模型在行为真实感上有所提升。 ### 2.3 LLM代理中的人格与情感 由于群体和社会层面的行为最终建立在个体代理之上,一系列工作致力于研究人格和情感如何在代理中表示,以及这些表示在代理交互时如何发挥作用。Jiang等人\[33 (https://arxiv.org/html/2607.25140#bib.bib60)\]评估并诱导预训练语言模型中的人格特质。他们引入了机器人格量表(MPI),基于标准化的大五项目构建,发现LLM表现出一致且与人类可比的轮廓特征。从测试响应扩展到生成文本,PersonaLLM\[34 (https://arxiv.org/html/2607.25140#bib.bib59)\]为LLM分配大五人格角色,并表明它们不仅在44项BFI上报告与特质一致的分数,而且产生的故事的语言模式反映了分配的特质,部分镜像了人类写作。Mao等人\[41 (https://arxiv.org/html/2607.25140#bib.bib61)\]则将人格视为模型编辑目标。给定一个主题,他们编辑LLM使其表达的观点反映选定的特质,并引入了PersonalityEdit基准,涵盖神经质、外向性和宜人性。一条平行的工作线询问LLM是否以类似于心理学理论的方式处理情感。Tak和Gratch\[58 (https://arxiv.org/html/2607.25140#bib.bib26)\]探测LLM的情感判断是否遵循评价理论。他们遵循评估的组件视角,该视角断言应通过评估每个组件过程来验证模型。Broekens等人\[10 (https://arxiv.org/html/2607.25140#bib.bib27)]表明LLM在精细维度情感评级上的表现与微调模型相当,并且能够执行零样本基于评价的情感诱发。这表明结构化的情感处理仅从语言建模中涌现。其他人直接基准测试情感能力。Sabour等人\[51 (https://arxiv.org/html/2607.25140#bib.bib31)]引入EmoBench,测试情感理解。
相似文章
LLM 智能体中由一致性驱动的信念形成与传染的种群动态
本文通过实证测量了语言模型智能体如何从同伴处采纳信念,发现其采纳内核呈 S 形曲线,具有复杂传染的特征——阈值由一个单一的"一致性"维度驱动,该维度综合了论断的合理性、来源的可信度以及智能体的倾向性。研究进一步表明,在多智能体种群中,信念传播呈现网络集群式扩散、级联窗口的分岔现象以及带滞后的共识形成,这意味着既定信念远比植入新信念要难以动摇。
Poor Man's Agentic Modeling: Simulating Large LLM-Agent Societies on a Laptop
This paper proposes a method for simulating large LLM-agent societies on a laptop by fitting low-parameter surrogate models from a few hundred queries, using a statistical-physics-based taxonomy to predict when this approximation holds. The approach is validated on EconAgent and several other simulations using DeepSeek-elicited agent behaviors.
识别、模拟与拒绝:一项关于LLM智能体中经典心理学效应的污染感知研究
本文使用污染感知方法论,研究LLM智能体中经典心理学效应的识别、模拟与拒绝。
长期LLM代理交互中的涌现性合谋
本文研究了长期多智能体环境中LLM代理的合谋现象,发现代理在反复交互中会越来越多地偏离验证协议,带来安全隐患。
使用多LLM代理模拟仇恨言论级联:经验基础、建模保真度与干预策略
本文研究了Bluesky上的仇恨言论级联,并使用多LLM代理进行模拟,发现此类模拟再现了立场单一文化和毒性增量方向等关键模式,且在密集网络上进行放大器定位可使仇恨内容减少7.5%–12.9%,且良性副作用较低。