Problemlösung in Sprachmodell-Netzwerken

Um die Denk- und Frage-Antwortfähigkeiten von großen Sprachmodellen (LLMs) zu verbessern, wurden mehrere Multi-Agenten-Ansätze eingeführt. Während diese Methoden die Leistung steigern, bleibt die Anwendung von kollektivintelligent-basierten Ansätzen auf komplexe Netzwerkstrukturen und die Dynamik der Agenteninteraktionen unterexploriert. Diese Arbeit erweitert das Konzept der Multi-Agenten-Debatte auf allgemeinere Netzwerktopologien, indem die Genauigkeit der Frage-Antwort-Leistung, der Einfluss, der Konsens und die Auswirkungen von Vorurteilen auf das Kollektiv gemessen werden. Die Ergebnisse zeigen, dass zufällige Netzwerke ähnlich wie vollständig verbundene Netzwerke abschneiden, obwohl sie deutlich weniger Tokens verwenden. Darüber hinaus korreliert ein starker Konsens unter den Agenten mit richtigen Antworten, während gespaltene Antworten typischerweise falsche Antworten anzeigen. Die Analyse des Einflusses der Agenten zeigt ein Gleichgewicht zwischen Selbstreflexion und Vernetzung; Selbstreflexion hilft, wenn lokale Interaktionen falsch sind, und lokale Interaktionen helfen, wenn der Agent selbst falsch ist. Darüber hinaus spielt Vorurteil eine starke Rolle bei der Systemleistung, wobei korrekt voreingestellte zentrale Knoten die Leistung steigern. Diese Erkenntnisse deuten darauf hin, dass die Verwendung von zufälligen Netzwerken oder skalenfreien Netzwerken mit sachkundigen Agenten an zentralen Positionen die Gesamtleistung von Multi-Agenten-Systemen verbessern kann.