2026. október 24., szombat · Kutatás

Monopoly-szerű teszt mutatja: a nagyobb AI-modell nem feltétlenül nyer többet

Egy nemrég közzétett, egyelőre nem lektorált kutatási anyag (preprint) az AgentMonopoly nevű környezetet mutatja be, amelyben nagy nyelvi modellek (LLM) ügynökei kommunikálnak, ingatlanokat vásárolnak és cserélnek egy Monopoly-szerű játékban. A szerzők négy modellcsaládot teszteltek, mindegyiket két méretben, egymás ellen is játszatva őket. A tanulmány szerint a modellek eltérően kereskednek, engedik el a bérleti díjat és kezelik a készpénzt és az ingatlanokat, és a nagyobb modellek nem nyernek következetesen több játékot a kisebbeknél. Amikor egy ügynöknek adott perszóna-leírást kapott arra, hogyan viselkedjen, az megváltoztatta a szóhasználatát és egyes döntéseit, de a változások nem mindig illeszkedtek a kiosztott szerephez az összes döntési ponton. A kutatók ezért azt javasolják, hogy a perszónakövetést a nyelv mellett a cselekvések és kimenetek alapján is érdemes értékelni.

Egy forrás erősíti A hír állításait legfeljebb egy forrás támasztja alá tárgyilag; a többi forrás anyaga nem erről szól.

Miért fontos?

A szerzők szerint az AgentMonopoly kódja nyílt forráskódú, így más kutatók is bővíthetik a modellcsaládok és méretek közötti összehasonlítást.

Források

arXiv cs.AI Preprint InfoQ AI

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. október 24., szombat napi AI összefoglaló része.

Kapcsolódó hírek

DRYLAB-Bench: új teszt méri az AI-ügynökök biológiai kockázatát

Egy nem lektorált arXiv-preprint szerint kutatók bemutatták a DRYLAB-Bench nevű tesztkörnyezetet, amely azt méri, mennyire képesek a nagy nyelvi modellek veszélyes mutációkat tervezni fehérjéken és vírusokon. A szerzők állítása szerint 30 biztonsági irányelvekből vett, valóban veszélyes tervezési forgatókönyvet futtattak le 15 vezető modellel, és az eredményeket 187 695 valós laboratóriumi méréshez (ProteinGym, ViroGym) viszonyították egy úgynevezett Biosecurity Risk Score (BRS) mutató segítségével. A preprint szerint eszközök nélkül is a modellek egylépéses tervezéseinek 67,6 százaléka meghaladta az átlagos mért variáns hatását, 21,4 százalékuk pedig a legveszélyesebb decilisbe került. A kutatók szerint speciális biológiai tervezőeszközökkel (BDT) kiegészítve a kockázat tovább nőtt: a pooled BRS-érték 0,116-tal emelkedett, a legmagasabb kockázatú decilisbe eső tervek aránya pedig 23,5 százalékra ugrott. Mivel a cikk egyelőre nem átesett szakmai lektoráláson, az eredmények megerősítésre várnak, de a módszertan új, biztonságos validálási utat kínál a dual-use kockázatok mérésére.

LLM-ügynökök finomítják az emberi gondolkodás kognitív modelljeit

Kutatók új hibrid rendszert mutatnak be, amely a kognitív algoritmusok felfedezését programfinomítási feladatként kezeli: a korábban kézzel megalkotott, valószínűségi programként megfogalmazott kognitív modelleket LLM-ügynökök vizsgálják felül. Az ügynökök azonosítják, hol tér el a modell az emberi viselkedéstől, kutatói korlátok között kódszintű módosításokat javasolnak, majd ellenőrzik a strukturális hűséget, miközben egy valószínűségi következtető modul számítja ki a rejtett változókat és az adatok valószínűségét. A nem lektorált, arXiv-on közzétett tanulmány szerint a módszert egy problémamegoldási feladatban tesztelték, ahol a felülvizsgált modellek következetesen jobban illeszkedtek az emberi viselkedésre, mint az eredeti modellek, és néhány visszatérő, érdemi viselkedési változatosságot magyarázó innovációt is azonosítottak. A szerzők szerint ez a hibrid megközelítés ötvözi az emberi szakértelem interpretálhatóságát az LLM-ek rugalmasságával és skálázhatóságával.

Új módszer gyorsítja a szerszámhasználó AI-ügynökök válaszidejét

Kutatók egy nem lektorált arXiv-preprintben mutatják be a Speculative Macro Commit (SMC) nevű futásidejű technikát, amely a szerszámhasználó nagy nyelvi modell alapú ügynökök soros végrehajtási késleltetését csökkenti. A rendszer két modellt kombinál: egy nagy, hiteles Qwen3.5-27B INT4 aktor-modellt, amely a hivatalos cselekvéssort adja, és egy gyorsabb Qwen3.5-4B spekulatív modellt, amely előre kipróbál cselekvéslánc-mintákat egy elkülönített környezet-másolaton. A szerzők állítása szerint a τ²-Bench telekommunikációs alteszten 10,23, az AppWorld teszten pedig 44,9 százalékkal csökkent a válaszidő a soros végrehajtáshoz képest, miközben a pontosság gyakorlatilag megmaradt. Az eredmények a szerzők saját méréseiből származnak, független megerősítés egyelőre nincs.

MirrorCraft: rejtett szabályváltozásokkal teszteli az AI-ügynököket Minecraftban

Egy nem lektorált arXiv-tanulmány bemutatja a MirrorCraft nevű páros benchmarkot, amely nagy nyelvi modell alapú ügynökök teljesítményét méri Minecraftban rejtett szabálymódosítások mellett. Minden Vanilla világhoz egy Mirror pár tartozik, amelyben egy datapack csak a szerveroldali szabályokat (recept, drop, egyéb mechanika) változtatja meg, a terep, a spawn, az erőforrások és a célok változatlanok maradnak. A szerzők öt biomot, hat szabálykészletet, három progressziós célt és hat ügynökkonfigurációt vizsgáltak közös Mineflayer-felületen, a hatást pedig a Rule Intervention Effect mutatóval mérték. Az eredmények szerint a rejtett szabályváltozások hatása szabálykészletenként erősen eltér, a ReAct-konfiguráció érte el a legjobb pontszámot leírás nélkül, míg a pontos szabályok megadása csak mérsékelt javulást hozott.