论文页面 - 发现合作流水线：面向序贯社会困境的自动研究

来源：https://huggingface.co/papers/2605.30003

摘要

两级自动研究框架使AI智能体能够自主优化面向多智能体社会困境的LLM策略合成流水线，展现出优越的性能和特定目标的机制发现。

我们研究用于合作的 两级自动研究（https://huggingface.co/papers?q=autoresearch）：一个 外层AI智能体（https://huggingface.co/papers?q=outer-loop%20AI%20agent）自主重新设计 内层流水线（https://huggingface.co/papers?q=inner-loop%20pipeline），该流水线属于一个面向 多智能体序贯社会困境（https://huggingface.co/papers?q=multi-agent%20Sequential%20Social%20Dilemmas）（SSDs）的 LLM策略合成（https://huggingface.co/papers?q=LLM%20policy-synthesis）系统。研究员智能体（https://huggingface.co/papers?q=researcher%20agent）R（以编码智能体的方式运行）读取内层源代码，编辑系统提示、反馈函数、辅助库和迭代逻辑，运行评估并决定保留哪些内容，遵循 自动研究（https://huggingface.co/papers?q=autoresearch）范式。在两种游戏（Cleanup 和 Gathering）、两种 策略合成器（https://huggingface.co/papers?q=policy-synthesizer）LLM 以及两种 福利目标（https://huggingface.co/papers?q=welfare%20objectives）（功利效率（https://huggingface.co/papers?q=utilitarian%20efficiency）和 罗尔斯最大化最小（https://huggingface.co/papers?q=Rawlsian%20maximin））下，研究员可靠地超越了手工设计的基线，显著缩小了运行间方差，并且优于仅提示优化。发现的水线依赖于目标：仅在最大化最小目标下，研究员才会向合成器流水线注入显式的公平机制，而这类机制在其自身目标无关的系统提示以及所有效率优化的流水线中均不存在。这支持了一种 信息设计（https://huggingface.co/papers?q=information-design）解读：研究员根据福利目标选择向 有限理性合成器（https://huggingface.co/papers?q=boundedly%20rational%20synthesizer）揭示什么。代码见 https://github.com/vicgalle/autoresearch（https://huggingface.co/papers?q=autoresearch）-social-dilemmas。

查看 arXiv 页面（https://arxiv.org/abs/2605.30003）查看 PDF（https://arxiv.org/pdf/2605.30003）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.30003）

在你的智能体中获取这篇论文：

hf papers read 2605.30003

没有最新的 CLI？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/2605.30003 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/2605.30003 以从此页面链接。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.30003 以从此页面链接。

包含此论文的集合0

没有集合包含此论文

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