Dalarna University's logo and link to the university's website

Denna studie undersöker hur agenter styrda av stora språkmodeller (LLM:er) beter sig i ett strukturerat tärningsspel med olika målstrukturer. Tre GPT-4o mini-agenter spelade flera omgångar med antingen individuell eller kollektiv målsättning, och fick diskutera sina drag i naturligt språk före varje beslut. Genom kvantitativ analys av poängfördelning, strategifördelning och poängspridning, samt kvalitativ analys av agenternas kommunikation, identifierades skillnader i samordning, strategi och rättvisa mellan målsättningarna. Resultaten visar att agenterna koordinerar sig bättre i det kollektiva läget, men att detta inte alltid leder till mer jämna utfall. Språklig interaktion används strategiskt, men utan stabil rollfördelning. Studien visar att LLM-agenter kan uppvisa viss emergent samverkan även utan central styrning, men att förmågan till långsiktig kollektiv strategi är begränsad. Resultaten bidrar till förståelsen av hur LLM-baserade multi-agent-system fungerar i semi-kooperativa miljöer, och pekar på behovet av framtida forskning kring arkitekturstöd för samordning.

This study investigates how agents powered by large language models (LLMs) behave in a structured dice game under different goal structures. Three GPT-4o mini agents played multiple rounds with either individual or collective objectives and were allowed to discuss their moves using natural language before making decisions. Through quantitative analysis of score distribution, strategy use, and point disparity, as well as qualitative analysis of agent communication, we identified differences in coordination, strategy, and fairness between the goal types. The results show that agents exhibit better coordination under collective conditions, but this does not necessarily lead to more equal outcomes. Language is used strategically to avoid conflict, but stable role allocation is lacking. The study shows that LLM agents can demonstrate emergent collaboration without centralized control, but their capacity for long-term collective strategy remains limited. These findings contribute to understanding how LLM-based multi-agent systems operate in semi-cooperative environments and highlight the need for architectural support to enhance coordination.