教育科技研究速報

本研究透過設計多代理系統（LLM-MAS）來應對 AI 倫理問題，證明了多代理協作能顯著提升倫理規範與程式碼生成的深度。

研究提出 Gauntlet 框架，透過多代理人協作與對抗式合成，在技術論文的深度批判能力上超越了人類研究員。

提出 AutoWorldBuilder 系統，透過多代理協作、上下文壓縮與迭代審查解決大規模虛構世界構建中的一致性與長文本挑戰。

本研究提出 L-MAD 框架，探討多智能體辯論在法律文本蘊含任務中的結構與聚合方法之效能。

本文提出 SidConArena 基準測試框架，透過模擬複雜經濟互動來評估大型語言模型在談判與資源規劃的能力。

研究發現模型在後訓練階段的配方，比單純的模型家族標籤更能影響多代理人系統中的對話多樣性。

提出一個模仿教授與學生關係的多代理人框架，透過具身教學動作與內容同步，實現端到端的個人化學習。

提出 MATM 框架，透過共享儲存與檢索代理人生成的執行軌跡，實現群體層級的知識共享與經驗傳承。

研究發現多代理 LLM 協商受隱藏的「內部信念（錨點）」驅動，這能解釋模型如何超越初始意見範圍達成更高準確度。

研究發現 LLM 會因對象身份不同而改變隱私行為，對 AI 代理的防護機制會顯著弱於對人類的防護。

研究證實僅靠提示詞匿名化無法消除 LLM 的身份特徵，模型仍能透過文體指紋被識別。

提出 LeanMarathon 多代理框架，透過動態藍圖與分層協調機制，實現大規模且可靠的研究級數學自動形式化。