CoordiLang: Assessing Multi-Agent Coordination Skills in Large Language Models
Notice bibliographique
Résumé
The advanced reasoning and inferential capabilities exhibited by Large Language Models (LLMs) position them as viable candidates for orchestrating coordination among multiple agents. This paper presents \textit{CoordiLang}, a novel benchmark designed to rigorously evaluate the coordination prowess of LLMs within the framework of Pure Coordination Games, where agents must collaborate without conflicting interests to maximize collective gains. \textit{CoordiLang} encompasses two primary evaluation facets: (1) \textbf{Agentic Coordination}, wherein LLMs assume proactive roles in facilitating cooperation across four distinct pure coordination scenarios; and (2) \textbf{Coordination Question Answering (QA)}, involving 200 meticulously crafted multiple-choice queries derived from the aforementioned games to assess three critical reasoning dimensions: Environmental Understanding, Theory of Mind (ToM) Reasoning, and Collaborative Planning. Additionally, we introduce the \textit{Coordination Cognitive Framework (CCF)}, a modular architecture enabling seamless integration of various LLMs as interchangeable components within coordination tasks. Empirical results demonstrate that LLMs, particularly those augmented with the latest iterations like GPT-4-X, achieve performance on par with state-of-the-art reinforcement learning (RL) agents in environments necessitating intuitive, environment-based actions. Notably, zero-shot coordination assessments reveal that LLMs exhibit enhanced adaptability to novel partners compared to traditional RL methodologies. However, significant gaps remain in their ToM reasoning and collaborative planning capabilities, highlighting avenues for future improvement. Our comprehensive analysis underscores the pivotal role of environmental comprehension and partner intention inference in effective multi-agent collaboration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».