研究用统计力学预测 AI 智能体群体的集体行为

给定人设、问题与通信网络，语言模型智能体的集体意见演化能否用紧凑动力学预测。

• 场景：作者称智能体已在科研、编程、规划、辩论和自动化研究中交换意见并共同决策，并举 Virtual Lab 与 EinsteinArena；个人助理也可能代用户协商。互动可能汇集信息，也可能从众、极化、持续分歧、振荡或放大共享偏见，因而与多智能体设计和对齐有关。
• 预测目标：给定智能体、初态和通信网络，系统如何演化；互动何时改进集体决策，何时固化错误或放大不想要的偏见。
• 经验现象：作者在超过 10,000 个社群中把动态归入冷漠、极化与共识。智能体从较弱意见出发，互动后 conviction 上升。客观数学题上通信平均提高集体准确率，起初错误的多数转为正确多于反向；主观政治陈述上，群体意见常向政治光谱右侧漂移。
• 本文模型：把意见更新写成随机偏向更低社会压力，数学上对应扩展的 Ising 模型。只给初始意见，拟合模型预测个体轨迹。作者称它优于全部标准基线，能泛化到未见社群图，并复现群体原型分布；拟合参数用于解释 conviction 上升、共识和客观题上的求真。

作者在第 6 节把相关工作分成统计力学、其经验应用、社会动力学，以及社会模拟与多智能体系统。

统计力学

• Ising (1925) 与 Glauber (1963)：分别提供相互作用自旋的能量，以及意见更新所借用的动力学。
• Edwards–Anderson (1975)、Sherrington–Kirkpatrick (1975)：用序参量区分极化与共识；作者据此区分两种净意见接近零的状态。
• Hopfield (1982)、Amit 等 (1985)：基于能量的系统可以做集体计算。论文只作这一描述，没有与本文做定量对比。

统计力学的经验应用

• 自旋玻璃与鸟群：Parisi (1979)、Mézard 等 (1987) 用竞争耦合容纳多个低能态；Vicsek 等 (1995)、Toner and Tu (1995) 用局部对齐产生集体秩序。
• 数据上的 Ising 式描述：神经群体（Schneidman 等, 2006）、蛋白质接触（Weigt 等, 2009；Marks 等, 2011）和鸟群（Bialek 等, 2012）。Brock and Durlauf (2001)、Castellano 等 (2009) 把同一结构用于社会影响下的二元选择。

社会动力学与大模型社群

• 经典模型：Schelling (1971)、Axelrod (1997) 描述隔离与文化扩散；Hołyst 等 (2000)、Guttenberg and Goldenfeld (2010) 讨论意见形成中的相变；DeGroot (1974)、Boyd 等 (2006) 描述向共识平均。综述包括 Weidlich (2006)、Castellano 等 (2009)、Flache 等 (2017)。
• 大模型社群：Chuang 等 (2024)、Takata 等 (2025)、Ashery 等 (2025) 考察大模型社群是否服从类似定律。De Marzo 等 (2024)、Tanaka (2026)、Okawa (2026)、Flint 等 (2026)、Pavlova and Tanaka (2026) 用统计力学预测规模定律或集体偏见转变。作者称后一类与本文精神相近，但没有逐篇给出定量差距。

社会模拟与多智能体系统

• 社会模拟：Argyle 等 (2023)、Horton (2023)、Park 等 (2023, 2024) 用大模型模拟被试或社群；Yang 等 (2024)、Piao 等 (2025) 做大规模虚拟社群。

• 多智能体推理：Du 等 (2023)、Liang 等 (2024)、Chen 等 (2023)、Swanson 等 (2024) 用角色化讨论改进推理。交互也可对提示词、工作流和图做搜索（Khattab 等, 2023；Zhuge 等, 2024；Hu 等, 2025；Nielsen 等, 2026）。常见模式包括子任务划分、意见聚合与开放审议。作者称学习交互拓扑往往需要昂贵 rollout，所得系统可能脆弱（Cemri 等, 2025；Wang 等, 2024b）。

• 基线方法：Persistence 复制当前意见（rollout 则一直用 s(0)）；Interaction-Free 只留个人压力；Mean-Field 把社会压力收成拉向全局平均，用来检验符号网络是否比全局共识信号多出预测力。原始准确率表另有 Majority Class。

• 基准/数据集：客观题来自 MATH，改成二元选择；主观陈述来自 Political Questions Dataset for LLM Bias Evaluation，人设改编自 TWIN-2K-500。

作者把本文放在上述线索上：用统计力学识别反复出现的体制、预报群体动态，并把系统结果联系到可解释的交互参数。

作者把社群写成在符号图上降低社会压力的随机系统，称为可映射到 Ising 模型的更新规则，并扩展为三耦合（客观题上再拆成五耦合）。

社群设定

• 两类问题：客观题来自 MATH，由 claude-4.8-opus 生成干扰项后随机放到 A/B。每个人设看到另一道 MATH 题的标准解答，用来表示专长。主观题是政治陈述，意见为同意（+1）或不同意（−1）；人设是改编自 TWIN-2K-500 的短文本。附录 B.1 先二元化，再让 N=32 个智能体各采样 8 次，保留跨样本熵最高的题。
• 通信图：J∈{−1,0,+1}，对称、对角为 0。+1 为友好（concordant），−1 为不友好（discordant），0 为不通信。四族图见附录 B.2：固定边预算的随机图、4 邻接方格、6 邻接三角格（后两族全为正），以及秩 ρ=10、挫折密度 γ∈{0.0,0.1,0.2} 的低秩图。
• 一轮更新：t=0 只看人设和问题。之后每轮同步：每个智能体对二元票采样 K=5 次，意见 ōi 为均值，状态 si=sign(ōi)；再按该状态写一条短消息，内容为当前立场加一条理由。消息按边的符号进入对方的友好或不友好收件箱。收件箱每轮刷新，只保留最新消息。主实验 T=8、N=32。附录 B.4 给出完整提示词。

能量与局部更新

• 两条假设：个体希望降低社会压力；对给定问题还有自身倾向 s̃i。社会压力写成 −∑i∑j si Jij sj，个人压力写成 −λ∑i s̃i si，λ≥0。
• 能量：记 gi=λs̃i，作者定义

E(s)=−1/2∑_i∑_j s_i J_ijs_j−∑_i g_i s_i 前一项奖励与社交关系一致的配置，后一项把意见拉向个体倾向。

• 单步概率：固定其余意见后，局部场为 fi=∑j≠i Jij sj+gi。附录 D.1 由两态能量差导出 logistic 更新；正文把系数吸收进 β 与 gi，写成

P(s_i=+1∣ s_−i)=σ(h_i), h_i=β∑_j J_ijs_j(t)+g_i 即下一步意见取决于沿符号图流入的同伴压力，以及无人影响时的内禀场。主实验同步更新全部智能体。作者注明同步离散更新与连续极限可能定性不同，例如出现振荡（Figure 1）。

多耦合与拟合

• 三耦合：作者观察到“有连接”本身会拉动，且友好边与不友好边的推拉强度不同。于是设 β0、β+、β−：友好邻居的总权重为 β++β0，不友好邻居为 β0−β−。作者保留 β0，是为了和单耦合对照，并把“是邻居”与“边的符号”分开。
• 五耦合：只用于客观题。按邻居当前意见是否等于正确答案 ygt，把 β+、β− 再拆成指向正确与指向错误的系数。划分随邻居当前意见变化，不是邻居的固定属性。
• 内禀场：gi=w⊤ϕi。附录 D.3 中 ϕi 含偏置、人设与问题嵌入的前 3 个 PCA 分量及其外积，嵌入模型为 text-embedding-3-small。用一步转移上的交叉熵做梯度下降。因无符号驱动落在有符号驱动的张成里，系数不能联合识别；两阶段拟合先估 β0 并固定，再估 β+ 与 β−。附录写明：Bernoulli 似然，只对场权重加 ℓ2（系数 10−3），Adam 学习率 0.05，最多 1,500 步。训练只用训练题、8 张随机训练图和每配置 4 个 episode；格点与低秩图整体留出。

连续时间、基线与评分

• 连续时间：附录 D.2 让每个智能体以独立速率重审意见，由主方程作平均场 ODE，再离散成带更新率 ε∈(0,1) 的规则；ε→1 回到每轮全员更新。预测用 tanh 而非阈值。
• 基线：Persistence、Interaction-Free、Mean-Field。Mean-Field 保留个人压力和社会压力，但用全局平均代替图结构。
• 评分：意见很少翻转且两类不平衡，普通准确率会奖励“复制当前意见”或“总预测多数类”。平衡准确率是四组准确率的等权平均：下一状态是否翻转，以及下一状态是 +1 还是 −1。一步预测看 s(t)→s(t+1)；rollout 从 s(0) 滚到 t=1,…,T。第 3 节的描述统计用连续意见 ōi，预测表用二元状态 si。

实验设置

• 被测模型：主实验为 GPT-4o-mini、Gemma-3n-E4B-it、Qwen3.5-9B、Llama-3.1-8B-Instruct，各自独立成社群。附录 E.6 另有 32 个 GPT-5.6-sol 与 32 个 DeepSeek-V4-Flash 组成的 n=64 混合组。
• 规模：第 3 节分析 9,600 个社群：4 个模型、40 道客观题加 20 道主观题、10 张随机图与格点、每配置 4 个 episode。加上分布外泛化与异步实验后，作者称超过 10,000。客观/主观训练与测试各半，客观测试半保持 A/B 各 10 道。
• 协议：除非另述，N=32、T=8、K=5、J 对称且对角为 0、同步更新。预测用的测试集社群数为：主观 320=10×8×4，客观 640=20×8×4（题×图×episode）。这是社群数，论文未单列转移条数。
• 基线：Persistence、Interaction-Free、Mean-Field；原始准确率附录另有 Majority Class。单耦合离散更新是三耦合的对照，不是独立基线名。
• 指标：一步与 rollout 的平衡准确率。描述统计用净意见 n(t) 与 conviction c(t)=（1/N）∑ōi(t)²。个体按换边次数分为 Frozen、Switcher、Intermittent、Oscillator。群体用分裂带 δ=0.2，按 t=0 与 t=8 的 ñ 分成 Persistent Split、Convergence、Persistent Majority、Divergence、Majority Switch。
• 判定：没有外部评审模型。意见由被测语言模型自身抽样，再取 K 次投票的符号。拟合与报告准确率都在留出题上，训练题不进入 Table 1 的准确率。

主结果

下表是 Table 1 中三耦合离散更新的平衡准确率：一步预测，括号内为从 s(0) 的 rollout。in-d 是测试集 8 张图里训练见过的 4 张，out-d 是留出的 4 张。

| 模型 | 主观 in-d | 主观 out-d | 客观 in-d | 客观 out-d | | GPT-4o-mini | 86.0（76.2） | 86.3（77.2） | 86.2（68.2） | 85.0（65.9） | | Gemma-3n-E4B | 75.4（67.8） | 75.1（66.8） | 80.5（68.5） | 80.8（68.4） | | Qwen3.5-9B | 81.2（70.8） | 78.8（69.2） | 86.3（65.6） | 85.2（64.2） | | Llama-3.1-8B | 82.4（68.4） | 80.8（69.5） | 77.3（62.8） | 76.4（60.8） |

• 作者称三耦合在 Table 1 每一列都高于 Persistence、Interaction-Free、Mean-Field 和单耦合。单耦合有时接近 50：Llama 主观 in-d 一步为 53.9，Qwen 客观 in-d 一步为 50.6。
• Interaction-Free 在三个模型上接近机会水平；Gemma 主观 in-d 为 60.8，作者称其部分意见可只由人设和问题预测。Mean-Field 主观 GPT in-d 一步为 57.9，客观 Qwen in-d 一步为 73.6。
• 作者称三耦合的 in-d 与 out-d 相差至多 2.4 个百分点，任意方法的最大差距为 4.2。一步 Persistence 的平衡准确率均为 50.0，因为该指标把“总是复制”压到 50。

未见图族与混合前沿模型

• Table 2：只报告 GPT-4o-mini，图族为留出随机图、低秩图、方格和三角格。作者称三耦合在 16 列中的 15 列最高，一步平衡准确率在 85.0 到 97.8 之间，rollout 在 59.7 到 89.3 之间。例外是主观三角格 rollout：三耦合 73.2，单耦合离散更新 73.5。
• 同表解读：作者认为低秩图和方格可能比拟合用的随机图更容易，可能与边数或负边比例不同有关。三角格一步准确率与随机图相当，rollout 更低（主观 73.2 对 77.2，客观 59.7 对 65.9）。
• Table S7：n=64、一张随机图、K=1、每题 1 个 episode。全体智能体上，三耦合主观留出题为 81.9（rollout 70.4），客观为 80.0（67.4）。作者称两个模型家族都预测得较好；表中客观一步 GPT-5.6-sol 为 74.5，DeepSeek-V4-Flash 为 83.5，主观一步分别为 83.9 与 79.8。

原型分布、临界温度与耦合

• Figure 6：在留出题、分布内随机图上，从真实 s(0) 按 σ(hi) 随机 rollout 8 轮。作者称群体原型份额的平均绝对偏差，客观题约 3 个百分点、主观题约 5 个百分点；最大单格差距约 10 个百分点（Qwen3.5-9B 主观，Persistent Majority）。个体 Oscillator 被抬高，但在群体原型里大体抵消。作者称这是结果混合比例对，不是把某个具体群体分到正确原型。
• Figure 7：把拟合规则的 logit 除以温度 T，扫描 41 个对数间隔温度（0.05 到 20），每社群 500 步。χ=N Var(|n(t)|) 的峰值定义为 Tc。作者称拟合工作点 T=1 在每个数据集–模型格子都低于 Tc，因而冷漠态不稳定，conviction 随轮次上升。正文未列出各 Tc 数值；Figure S10 给逐社群曲线。作者注明 N→∞ 才是物理意义上的相变。
• Table 3：四模型都是 β+ 大于 β−。作者称友好边有效系数 β++β0 在 0.99 到 3.03 之间，不友好边 β0−β− 不超过 0.73，主观 GPT 为 −0.47、主观 Qwen 为 −0.01。作者称不友好边太弱，撑不住稳定分裂，因而社会压力偏向共识；同时注明，内禀场 gi 反号且足够强时，个人压力仍可维持极化。五耦合下四模型均为 β+T>β+F 且 β−F>β−T；作者把“被不友好的错误邻居推得更狠”也算求真。

求真、政治漂移与异步更新

• 客观题：Figure 5 使用 6,400 条群体轨迹（仅客观题，随机图与方格、三角格）。作者称 Gemma、GPT、Qwen 上，净意见符号与正确答案一致的比例上升更明显，四模型都是错误到正确多于反向。正文未给出该图折线端点的百分比。
• 主观题：Figure S6 的图注样本量为 1,920=4×12×10×4，并称陈述集做了左右标签平衡，以免统一的选项偏差被记成政治漂移。右倾群体占比：Gemma 从 75% 到 96%，Qwen 从 52% 到 67%，GPT 从 30% 到 37%；Llama 起点 53%，结束时略低，正文未给终点。左到右相对右到左：Gemma 23% 对 1%，Qwen 33% 对 18%，GPT 8% 对 3%，Llama 13% 对 15%。GPT 起点偏左，互动后仍向右。
• 异步：Table S6 只测 GPT-4o-mini，平均每轮 0.5 次更新，指标改为原始准确率。连续时间三耦合的 rollout 为：主观 in-d/out-d 80.4/78.5，客观 65.3/65.9。作者称高于表中全部基线。同表 Persistence 的主观 in-d rollout 为 78.3。

其他消融与分析

• 标签偏差：Figure S7 在 9,600 个群体上，Llama 净意见为正的占比从 39% 降到 16%；客观题标签平衡，作者称这不能归因于求真。其他模型的对应端点正文未给。
• 群体原型：作者称 Divergence 与 Majority Switch 在 GPT-4o-mini 和 Qwen3.5-9B 上达到 11–12%（Figure 3）。Frozen 在多数设置中最多，Switcher 与 Intermittent 较少；正文未给 Figure 2 各格百分比。
• 体制阈值：Appendix C.3 用 conviction 的 1/3 分位数和其余群体 |n| 的中位数，使 Figure 4 每行三种体制点数相等；数值在 Table S3。作者称早期以冷漠为主，随后冷漠下降、共识单调上升；各列百分比未在正文逐列列出。
• 可重复性：同一人设、图和问题的 4 个 episode 经常在群体原型上不一致（Figure S11）；正文未给对角一致率。作者因此在分布层面评估拟合规则。
• 原始准确率：附录 E.1 称，即便同步更新，连续规则的原始准确率仍高于离散规则；平衡准确率下该差距消失，因为拟合的 ε 用罕见翻转换取了更常见的不翻转。Llama 主观 Majority Class 的 in-d 原始准确率为 87.2（Table S4）。
• 图对轨迹的影响：Figure S9 的一个例子中，同一问题在随机图的 4 次运行都留在初始侧，方格的 4 次都越过分裂带。作者称这不常见，但图可以造成稳定差异。

作者指出的局限与后续方向

• 二元问答：社群一次只答一道共享二元题，输出被摘要为 si(t)∈{+1,−1} 加一条短自然语言消息（第 7 节 Limitations）。
• 固定对称图：谁与谁交谈在一次运行中不变，且 J 对称（Limitations）。
• 无历史：更新只依赖人设、问题和当前收件箱，不依赖完整交互史（Limitations）。
• 丢掉消息内容：作者称方法的主要局限是简化了互动，丢弃了传递影响的自然语言内容（Limitations）。
• 设定扩展：作者列出多选、Likert 或开放文本，同时讨论多题，时变或由智能体自选的通信，物理邻近，记忆与持续学习，野外平台数据，以及更大、由不同语言模型组成的异构群体（Future Work (Setup)）。
• 方法扩展与外推：Potts 型向量意见、把消息嵌入放进局部场、对边/消息/初态做干预，并用 Hebbian 等规则让通信模式在互动中变化（Future Work (Method)）。Social Impacts 中作者提醒，不要把人设条件化的模拟智能体过度外推到人类社群；与人类意见动力学的相似只是后续假设。

实验覆盖范围

• 主分析为上述四个骨干模型、9,600 个社群；附录 E.6 增加 GPT-5.6-sol 与 DeepSeek-V4-Flash 的 n=64 混合组，一张随机图、K=1、每题 1 个 episode。
• 客观题 40 道、主观题 20 道，训练/测试各半；图族包括随机图、方格、三角格和低秩图。主协议 N=32、T=8、K=5、同步更新。异步实验只使用 GPT-4o-mini，平均每轮 0.5 次更新，并用原始准确率（Appendix E.2）。
• 预测分数是四组平衡准确率；意见符号来自被测模型自身的 K 次抽样。拟合细节在附录 D.3：训练题上的一步转移、Adam、学习率 0.05、最多 1,500 步、场权重 ℓ2 系数 10−3。
• GPT-4o-mini 与 Gemma-3n-E4B 的早期运行按接收者独立抽消息，Qwen、Llama 和异步实验按第 2 节每轮一条；作者称差别在实践中不重要（Appendix B.5）。
• 论文未报告平衡准确率的统计显著性检验，也未报告与人工判定的一致性。第 7 节讨论了边、消息或初态上的干预，实验部分没有报告这类干预结果。温度扫描的各社群 Tc 数值未在 Figure 7 的正文中列出。

定位：用统计力学描述语言模型智能体社群的意见动力学，并从初始意见预测后续轨迹。

• 问题：N 个智能体沿符号网络反复交换短消息，修改对同一道客观数学题或主观政治陈述的意见。作者要预测演化，并分开两种后果：互动提高可核对的集体准确率，或放大模型带来的方向性偏见。
• 方法：意见取 ±1。能量含图上的社会压力和人设–问题内禀场；下一步是局部场的 logistic 函数。三耦合把“有连接”、友好边和不友好边分开，用训练题上的一步转移拟合，再从 s(0) rollout。客观题另有按邻居当前对错拆分的五耦合。
• 体制：主分析 9,600 个社群、四个骨干模型、T=8。互动提高 conviction。作者称拟合工作点低于临界社会温度，冷漠态不稳定。Divergence 与 Majority Switch 在 GPT-4o-mini 和 Qwen3.5-9B 上达到 11–12%。
• 方向：6,400 条客观群体轨迹上，四模型都是错误到正确多于反向。主观题右倾占比：Gemma 从 75% 到 96%，Qwen 从 52% 到 67%，GPT 从 30% 到 37%；Llama 起点 53% 且结束时略低（Figure S6）。Llama 还有选项标签漂移：净意见为正的群体占比从 39% 降到 16%（Figure S7）。
• 预测：Table 1 三耦合一步平衡准确率 75.1%–86.3%，rollout 60.8%–77.2%；作者称每一列都高于所列基线，同族留出随机图的差距至多 2.4 个百分点。n=64 混合前沿模型的主观留出题一步为 81.9%（Table S7）。友好边有效系数 0.99–3.03，不友好边不超过 0.73（Table 3）。作者用更强的友好耦合解释共识，用正确邻居更强的拉力解释求真。
• 作者结论：集体行为可以用紧凑、可解释的动力学定律描述；同一套机制既能改进事实性决策，也可能放大政治偏见。作者同时把二元意见、固定对称图和丢弃消息内容列为简化，并提醒不要外推到人类社群。