Aligned but Not Partner-Specific: Distinguishing How Multimodal LLM Agents Succeed in Reference Games Without Human-Like Conventions
本文表明，尽管多模态大语言模型智能体通过高标签一致性在指代博弈中实现了协调，但它们未能发展出类人性的特定伙伴约定，而是依赖于并不随交互历史进行压缩的持续冗长的描述。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心问题：AI 是合作伙伴，还是仅仅是回声？
想象一下，你和一位朋友正在玩一个游戏，你们需要向对方描述抽象形状（比如一个由折叠纸组成的“恐龙”），但不能直接说出名字。
人类是如何玩的：
起初，你可能会说：“那个看起来像是有着长尾巴的琥珀橙色恐龙的东西。”但当你和同一个人玩了几轮之后，你们会发展出一种秘密的简写方式。你只需说：“那只恐龙。”你们都完全明白意思，因为你们共同建立了这段共享的历史。你们变得更快了，使用的词汇也更少了。这被称为形成了一种**“概念契约”（conceptual pact）**。
AI 是如何玩的：
研究人员提出了一个问题：AI 智能体（如先进的聊天机器人）也会这样做吗？ 它们是否学会了与其特定伙伴使用更短、更秘密的词汇，还是仅仅在每次对话中都重复说着同样冗长的详细内容？
实验：“假想伙伴”测试
为了查明真相，研究人员设计了一个巧妙的测试，使用了“伪对等体”（Pseudo-Dyad，即假想伙伴）作为基准线。可以这样理解：
- 真实团队： 两名人类（或两个 AI）一起玩 45 轮游戏。他们建立了一段历史。
- “假想”团队： 研究人员取了 A 队的第 1 轮与 B 队的第 1 轮进行配对。然后取了 A 队的第 2 轮与 C 队的第 2 轮进行配对。
- 关键点在于： 这些“假想”伙伴从未见过面。它们没有共同的历史。它们是陌生人。
如果 AI 真的在与其伙伴学习一种“秘密语言”，那么当它与陌生人配对时应该表现失败。如果它只是在使用训练期间学到的标准“字典”，那么无论是在和朋友还是陌生人交谈，它的表达方式都会是一样的。
结果：“啰嗦的机器人” vs. “高效的人类”
研究发现，人类和 AI 在处理这个游戏时表现出了巨大的差异。
1. 精力水平（“背包”类比）
*人类： 想象你背着一个装满词汇的沉重背包。在开始阶段，背包非常大。随着你与同一个人一起玩，你开始把东西从背包里扔出来，因为你不再需要它们了。到最后，你跑得又轻盈又快。人类变得越来越高效。
*AI： AI 的背包大小始终保持不变。它从未扔掉任何东西。它始终用极其冗长、详细的句子来描述形状（例如：“一个明亮的琥珀橙色折叠丝带形状”），从第一轮到最后一轮都是如此。即使它一直在和同一个伙伴玩，它也没有变得“更轻盈”或更快速。
2. “秘密代码”（“内部笑话”类比）
人类： 当人类与他们的真实伙伴玩耍时，他们经常使用简短的、共享的词汇（内部笑话）。但当他们与假想*伙伴（陌生人）玩耍时，他们会停止使用这些短词，转而回到长篇描述。这证明了他们的短词是基于特定关系的产物。
*AI： 无论是在和谁交谈，AI 几乎 100% 的时间都在使用简短的共享词汇。无论是和真实的伙伴还是从未谋面的陌生人，它使用的词汇都完全一样。
结论：没有连接的协作
论文得出结论：AI 智能体是对齐的，但不是伙伴化的。
- 人类通过建立一种独特的、紧凑的关系来取得成功。他们学会了信任彼此并舍弃多余的词汇。
- AI 通过穷尽式的描述来取得成功。它赢得游戏不是通过建立纽带，而是通过说出足够多的词，让伙伴不得不理解。这就像一个机器人永远学不会说“请把盐递给我”，而是会说：“请将桌子左侧那个盛有氯化钠的白色圆柱形容器递给我。”这很有效，但很低效，且不会根据听众的不同而改变。
简而言之： AI 并没有学会说其伙伴的语言；它只是用自己非常响亮、非常详细的语言清晰地表达，以至于每个人都能理解。它实现了协作，但并未形成惯例。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。