网络拓扑对LLM群体共识与脆弱性的影响

2026年10月23日，arXiv Artificial Intelligence 刊出 Roberto Passaro 等作者的研究，考察网络拓扑如何影响由大语言模型（LLM）构成的群体的共识形成与对抗攻击脆弱性。研究把从四个 LLM 中提取的策略放入全连接、随机正则和异质网络，让 10^3 至 10^5 个智能体参与命名游戏。结果显示，最稀疏的网络使共识速度最多慢十二倍；但在部分混合交互不收敛的情形下，保留持续邻居之间的相关性可以恢复共识。报道未给出各拓扑下脆弱性的具体量化结果，也未说明不同模型规模或网络参数下的差异。目前该研究处于预印本发布阶段，尚无后续跟进报道或同行评议结论。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。