萬個代理社群呈現共識、極化與冷漠三種相態，Ising 模型可預測意見演化

研究團隊建立由 32 個代理組成的社群，讓代理就二元化的 MATH 數學題及政治陳述交換訊息八輪。每個代理具不同專長或人物設定，連線則分為友好、敵對與不通訊；實驗涵蓋 GPT-4o-mini、Gemma-3n-E4B-it、Qwen3.5-9B 與 Llama-3.1-8B-Instruct，共分析 9,600 組主要模擬，連同分布外及非同步實驗超過一萬組。

結果顯示，個體可分為不改變立場、單次轉向、轉向後復原及反覆擺動四類；群體則可落入冷漠、極化或共識等相態。GPT-4o-mini 與 Qwen3.5-9B 約有 11% 至 12% 社群削弱或推翻原先多數。數學題中，錯誤多數轉向正確答案的情況較反向轉移常見；政治陳述卻經常向光譜右方漂移。

作者把代理立場表示成二元自旋，使用內在場描述人物或題目偏好，並以帶符號社交圖描述鄰居壓力。擬合後的 Glauber／Ising 式更新規則可由初始意見推演後續軌跡，亦能從隨機圖泛化至未見的方格與其他網路。參數顯示系統處於低於臨界溫度的有序區，友好連線的吸引力強於敵對連線的排斥力，而持有正確答案者在客觀題中的影響較大。

這為多代理編排提供比單次成功率更細的診斷工具：工程師可觀察互動溫度、連線符號及初始多數，預估辯論會改善答案還是放大偏誤。不過實驗把意見壓成二元值、主要採同步更新，人物設定與政治資料也可能把既有偏差帶入結果；這套物理模型是否適用於會使用工具、保存記憶或修改目標的生產代理，仍待驗證。