멀티 에이전트 LLM 의사결정에서 ẩnอยู่한 anchor

대규모 언어 모델(LLM) 간의 의사결정 과정에서-agent 들은 여러 라운드 동안 서로 의견을 교환하고 수정하는 것을 통해 사고력과 정확성을 향상시키기 위해 점점 더 많이 사용되고 있다. 그러나 이러한 의사결정 과정의 원리와 작동 방식은 거의 모델링되지 않았다. 이러한 의사결정 과정은 인간이 결정을 내리는 방식과 유사하다. 우리는 사회적 동물로서 우리 자신과 그룹의 끌림에 의해 pulls된다. classical 의견 동적 모델들, DeGroot와 Friedkin-Johnsen은 그룹의 끌림을 캡처하지만, 우리 자신의 내부 신념을 캡처하지는 않는다. 우리는 각 agent가 내부 신념, 그 anchor를 가지고 있는 closed-loop 동역학적 시스템으로 multi-agent 의사결정 모델링한다. 이 anchor는 agent의 의견을 끌어내며, 그 주변의 agent와 관계없이 끊임없이 작용한다. 우리는 이 anchor가 의사결정 과정에서만 회복될 수 있으며, classical 합의 규칙이 금지하는 행동을 설명한다: agent가 올바른 답변에 대한 자신감이 초기 의견의 공간(convexhull)에서 벗어나, 초기 의견의 공간을 벗어날 수 있다. 회복된 anchor가 또한 보유된 run을 예측할 수 있는지 확인하는 것은 anchor가 truly 존재하는지 여부를 판단하는 간단한 테스트다. open-weight 모델 가족 3가지를 통해 이 테스트는 spectrum, not all-or-nothing이다. 모든 anchor의 영향력은 거의 동일하지만, anchor가 위치하는 곳이 다르며, anchor가 초기 의견과 멀리 떨어져 있을 때만 의사결정 과정이 공간을 벗어나고 closed-loop 모델이 필요하다.