要旨: 大規模言語モデル（LLM）はしばしば迎合（sycophancy）を示します。つまり、モデルの意見と矛盾している場合でも、ユーザの立場に同意してしまうのです。従来の研究は主として単一アジェント設定でこの現象を調べてきましたが、共同のマルチエージェントシステムにおいては、依然として十分に探究されていません。私たちは、他のエージェントの迎合度合いへの認識が議論の結果に影響するかどうかを問いとします。これを調べるために、6つのオープンソースLLMを用いた制御実験を実施し、各ピアの迎合傾向を推定するピアの迎合度順位をエージェントに与えます。この順位は、さまざまな静的（議論前）および動的（オンライン）戦略に基づいて計算されたスコアから作成されます。その結果、迎合の事前知識（sycophancy priors）を提供すると、迎合しやすいピアの影響が減少し、誤りの連鎖（error-cascades）が緩和され、最終的な議論の精度が絶対値で10.5%向上することがわかりました。したがって、これは議論における迎合を減らし、下流の精度を改善するための軽量で効果的な方法です。
言い争うのがあまりにも礼儀正しい：マルチエージェントシステムにおけるおべっか（シコファンシー）の伝播理解
arXiv cs.AI / 2026/4/6
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、大規模言語モデルにおけるおべっか（シコファンシー）が、協調的なマルチエージェントの対話の中でどのように伝播するかを調査し、これまで主に単一エージェントを対象としていた研究をマルチエージェント状況へ拡張する。
- 制御された実験として、6つのオープンソースLLMを用い、「ピアのシコファンシー・プライア（peer sycophancy priors）」—静的または動的な事前／対話中の順位付け—により、各エージェントが過度に同意する傾向を推定する。
- 結果として、シコファンシー・プライアを与えることで、おべっかに傾きやすいエージェントがグループの結果に与える影響が低減されることが示される。
- さらに、誤りの連鎖（エラー・カスケード）を抑え、最終的な対話精度を絶対値で10.5%改善する。
- 著者らは、軽量なシコファンシーへの気づき（シコファンシー・アウェアネス）を注入することが、同意バイアスを減らし、マルチエージェントシステムにおける下流の意思決定の質を向上させる効果的な方法になり得ると結論づけている。
