[CL]《Representational Similarity and Model Behavior in Multi-Agent Interaction》Y Potter, S Eisape, S Lai, A Huth… [UC Berkeley & The University of Chicago] (2026)

在多智能体系统领域,研究者长期依赖单一模型部署,却忽略了模型间内在表征差异如何影响交互结果。过去对多智能体行为的研究停留在输出层面,受困于缺乏对模型内部机制的理解,本质原因是尚未建立表征相似度与交互动力学之间的联系。

本文的核心洞见是:将神经科学中人际相似性预测社交行为的原理映射到AI系统。由此,通过276对模型在8类任务中的系统交互实验,揭示出表征相似度这一可计算指标使预测合作成功率和创新能力成为可能——相似度每提升一个单位,猜词游戏正确率提升66%,而创意任务的独特性下降最高达72%。

这项工作真正留下的遗产是为多智能体系统设计提供了可操作的量化原则:高相似度模型适配协作任务,异质模型组合激发创新。它为后来者打开的新门是用表征空间几何结构预测涌现行为,但尚未跨过的门槛是如何在特定任务语境下主动调控相似度以优化系统性能,以及深层训练因素(如数据重叠、架构选择)如何塑造这些表征模式。

arxiv.org/abs/2606.07818 #机器学习# #人工智能# #论文# #AI创造营#