عامل‌های زبانی در هماهنگی بی‌درنگ با یکدیگر مشکل دارند

پژوهشگران در پیش‌چاپی در arXiv عملکرد مدل‌های زبانی بزرگ را در «هماهنگی صفرشات» بررسی کرده‌اند؛ وضعیتی که در آن عامل‌هایی با طراحی مستقل باید هنگام آزمون با یکدیگر هماهنگ شوند، بی‌آنکه قبلاً همکاری کرده باشند. به‌گفتهٔ پژوهشگران، برخلاف هماهنگی عامل‌های یادگیری تقویتی، عملکرد عامل‌های مبتنی بر مدل زبانی در این شرایط کمتر بررسی شده است.

این پژوهش به‌جای اتکا به محیط‌های پیچیده‌ای مانند Hanabi و سازوکارهای تخصصی، از محیط‌های کوچک و چارچوب‌های عمومی استفاده می‌کند تا منشأ دشواری‌های هماهنگی را جداگانه بسنجد. نتایج نشان می‌دهد حتی در این شرایط کنترل‌شده، مدل‌های زبانی پیشرفته در هماهنگی مشکل دارند؛ از جمله به‌دلیل درک محدود از خود مسئله و استدلال ضعیف دربارهٔ باورهای همکارشان. مدل‌ها همچنین نتوانسته‌اند به‌خوبی از اطلاعات معنایی زبان برای هماهنگی بهره بگیرند.

پژوهشگران «تعریف‌های دوستدار هماهنگی» (CFDs) را به‌عنوان رویکردی برای تقویت هماهنگی پایدار میان عامل‌های زبانی پیشنهاد می‌کنند و می‌گویند این تعریف‌ها را می‌توان به‌صورت خودکار کشف کرد، بی‌آنکه طراحی دستی لازم باشد. این مقاله در arXiv منتشر شده و در چکیدهٔ آن آمده است که در NeurIPS 2026 به‌صورت پوستر ارائه شده است.