（AI）群体的智慧：探究大型语言模型中的人工群体智能

arXiv cs.AI 论文
swarm-intelligence large-language-models decision-making aggregation uncertainty-estimation

摘要

本文探究了大型语言模型是否能够通过模型内和模型间的聚合来近似群体智能效应，发现在八项估计任务中，平均绝对百分比误差（MAPE）显著降低高达37个百分点。

arXiv:2606.31404v1 公告类型：新 摘要：人类群体智能展现出卓越的集体准确性，但在成本、协调和时间方面面临可扩展性限制。我们探究大型语言模型（LLM）是否能够通过人工群体来近似群体智能效应，弥补了理解基于AI的聚合机制方面的关键空白。我们进行了一项受控实验，包含960个手动执行的提示，涉及三个专有模型（GPT-5、Gemini 2.5 Pro、Claude Sonnet 4.5），在八项估计任务上测试了模型内采样和模型间聚合。结果显示，通过模型内和模型间聚合，误差持续降低，在不同聚合策略下MAPE显著降低高达37个百分点。我们观察到相对置信区间宽度与相对估计误差之间呈正相关，效应量从小到较大（Spearman的$\rho=0.242-0.568$，所有$p<0.001$），表明LLM在评估不确定性时具有元认知意识。我们讨论了对研究和实践的影响，为在组织决策中部署LLM群体提供了可操作的见解。
查看原文
查看缓存全文

缓存时间: 2026/07/01 05:38 

# (AI)群体智慧：探究大型语言模型中的群体智能模拟

来源：https://arxiv.org/abs/2606.31404
查看PDF (https://arxiv.org/pdf/2606.31404)

> **摘要：**人类群体智能展现出卓越的集体准确性，但在成本、协调和时间方面面临可扩展性瓶颈。本研究探究大型语言模型（LLMs）能否通过人工群体来近似实现群体智能效应，从而填补理解基于AI的聚合机制的关键空白。我们开展了一项受控实验，涉及960个手动执行的提示词，涵盖三种专有模型（GPT-5、Gemini 2.5 Pro、Claude Sonnet 4.5），并在八项估计任务上测试了模型内采样和模型间聚合策略。结果表明，通过模型内和模型间聚合，误差持续降低；在不同聚合策略下，平均绝对百分比误差（MAPE）显著下降，降幅最高达37个百分点。我们观察到相对置信区间宽度与相对估计误差之间存在小到大的正相关效应量（Spearman's ρ=0.242–0.568，所有p<0.001），这表明LLMs在评估不确定性时具备元认知意识。我们讨论了该发现对研究和实践的启示，为在组织决策中部署LLM群体提供了可操作的见解。

## 提交历史

来自：Justin Brenne [查看邮箱](https://arxiv.org/show-email/9f59cc5b/2606.31404) **[v1]** 2026年6月30日星期二 09:30:53 UTC（549 KB）

相似文章

网络上的大型语言模型：资源受限下的协作智能

Hugging Face Daily Papers

本文探讨了分布式大型语言模型（LLMs）如何在设备和云端之间协同工作以应对资源限制的协作智能范式。文章涵盖了垂直方向的设备-云端协作、水平方向的多智能体协作、路由策略，以及在可扩展且可信的协作式人工智能方面的开放研究挑战。