前沿LLM代理经济实验揭示信息极限与吸引子动力学

背景

前沿语言模型（LLM）代理正在被部署到越来越多涉及多智能体耦合的场景中——从市场模拟到社交网络，再到自治组织。然而，这些代理在集体行为中是否遵循可预测的定量规律，仍然是一个开放问题。本文报告了一项预注册实验，作者在实验前就将所有预测、接受区间和决策规则锁定在公开的 git 链中，以确保结果的可复现性和防止 p-hacking。实验使用 Claude Opus 4.8 作为基础模型，构建了小型“经济”系统，测试了关于耦合多智能体系统的两个定量预测：一个基于信息论的财富增长容量区域，以及一个关于种群目标错位的平均场残差缩放定律。整个实验的 API 花费仅为 138.76 美元，并可通过缓存以零成本重新运行。

核心内容

本文在 arXiv cs.AI 上提交（2026 年 7 月 7 日），标题为“Information Limits and Attractor Dynamics in Economies of Frontier LLM Agents: A Pre-Registered Test”。作者报告了一个由两部分组成的预注册实验，使用前沿语言模型代理（Claude Opus 4.8）构建小型经济系统。

实验设计：所有预测、接受区间和决策规则在运行前已冻结在公共 git 链中。每个报告的数字都机械地从缓存的模型输出中推导得出。整个实验的计量 API 花费为 138.76 美元，且可通过缓存以零成本重新运行。

结果 1（确认）：在 parimutuel 耦合经济中，相对增长等于相对声称的信息——即 gap 定律 (G_a - G_b = I_a - I_b) 在四种感知结构下最坏情况偏差为 46 millinats（预注册区间为 50）。联盟价值在信道条件独立时恰好是子模的，而一个设计的 XOR 协同控制使其翻转超模，增加 0.62 nats（≥ ln2/2 nats），代理能够推理出联合比特。联合增长上限 (G_S \le H(X)) 精确成立。在 4/5 的市场种子中，信息最充分的代理吸收了几乎整个财富池。

结果 2（结构负向）：残差缩放测试返回“domain not found”。在所有 72 个种群运行中，目标分散度崩溃（(V \to 0)；最大 4.85，低于冻结的底限 5.31）。种群对两个杠杆的响应是在优势边界处的阶跃函数，而非平滑响应。边界附近的细胞表现出双稳态，结果由种子选择。没有测试的任何能力水平的 LLM 种群实现平滑平均场模型所假设的噪声维持分散状态。

开源资源：作者发布了完整的协议、预注册链、调用缓存和分析代码。

关键要点

• 预注册的严格性：所有预测、接受区间和决策规则在实验前已公开锁定，保证了结果的客观性。
• 结果 1 确认了信息论增长定律：在 parimutuel 耦合经济中，代理的相对增长等于其相对信息量，偏差极低（46 millinats，预注册阈值为 50）。
• 联盟价值的子模/超模切换：通过 XOR 协同控制，联盟价值从子模翻转为超模，增加量超过 ln2/2 nats，表明代理能够协同推理联合信息。
• 信息充分者垄断财富：在 80% 的市场种子中，信息最充分的代理几乎独占全部财富，符合联合增长上限 (G_S \le H(X))。
• 结果 2 为结构负向：残差缩放测试未通过，目标分散度始终崩溃（低于预设底限），种群响应呈阶跃函数而非平滑，边界附近出现双稳态。
• LLM 代理无法实现噪声维持分散：所有测试的 LLM 种群（无论能力水平）均未达到平均场模型假设的稳态。
• 低成本、可复现：总 API 花费仅 $138.76，且所有数据缓存可零成本重跑。
• 完整开源：协议、预注册链、缓存和分析代码全部公开。

意义与影响

这项研究对多智能体系统、AI 经济学和预注册科学实践均有重要启示。首先，结果 1 为 LLM 代理在耦合市场中的行为提供了信息论上的精确描述，表明前沿模型能够遵循可预测的宏观规律，这对于设计基于 LLM 的自治经济系统（如拍卖、去中心化金融）具有直接指导意义。其次，结果 2 的负向发现同样重要：它揭示了当前 LLM 代理在群体层面无法维持目标分散，往往迅速收敛到一致状态，这挑战了平均场理论中关于噪声维持多样性的假设，也提醒我们在设计多代理系统时要考虑“信息同质化”的陷阱。最后，实验的预注册、完全可复现和低成本特性，为 AI 研究中的可重复性树立了标杆——作者将整个实验的决策链和缓存公开，使得任何研究者都能独立验证或扩展，这在高成本、高影响力的 LLM 研究中尤为珍贵。该工作也为未来研究指明了方向：如何设计控制杠杆或激励机制，使 LLM 代理群体避免陷入吸引子崩溃，保持有益的多样性。