arXiv · cs.AI· Charlie Pilgrim, Christopher Krupenye, Dora Biro, Richard P. Mann·· 2 天前
LLM智能体在模拟市场中演化出不同准确率与Token使用策略
LLM Evolution in a Simple Simulated Market
arXiv:2610.24033v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Charlie Pilgrim, Christopher Krupenye, Dora Biro, Richard P. Mann
研究任务与主要进展
一项基于论文摘要的研究在包含20个LLM智能体的算术任务模拟市场中发现，奖励准确率会选出准确率94%、Token使用量高的智能体，而按Token收费会选出准确率10%、Token使用量低的智能体。破产者由成功者提示词的变异副本替换，集体优化过程可在智能体不了解支付规则、没有反馈和记忆的情况下推动行为适应。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org