清华大学研究：数千个大语言模型智能体持续互动会自发形成观点极化
清华大学电子工程系李勇团队在《自然·通讯》发表研究，构建含数千个大语言模型（LLM）智能体的网络化系统，对比五种主流骨干模型。
结果显示，在没有预设极化规则的情况下，智能体持续互动后自发出现观点分化并形成同质性聚集（观点相似者倾向互连），该现象在五种模型上均稳定存在。 研究同时提示，个体行为一致不足以保证群体结果可靠。
研究原始来源可核对
事实与证据边界
研究团队构建了包含数千个大语言模型智能体的网络化系统，对比GPT-3.5、GPT-4o、ChatGLM、Llama-3与DeepSeek-V3五种骨干模型。 智能体通过大模型引导的对话交互并随时间更新观点； 系统围绕自我表达、信息交流、观点更新三个环节运行，允许智能体调整连接关系。
研究发现，在没有预设极化规则的情况下，智能体在持续互动中自发出现观点分化，并形成同质性聚集； 该现象在五种模型上均稳定存在。 干预实验中，在已极化且网络结构趋于稳定的系统里，单纯调整连接关系作用较有限，引导智能体更开放地处理不同观点降幅更大。
论文第一作者为清华大学电子系博士后朴景华，李勇、阿姆斯特丹大学费尔南多·P·桑托斯教授、芝加哥大学詹姆斯·埃文斯教授为共同通讯作者； 合作单位包括清华大学北京信息科学与技术国家研究中心、芝加哥大学、圣塔菲研究所、阿姆斯特丹大学、天津大学等。 论文于10月8日发表于《自然·通讯》。
分析判断
这项研究的价值在于把评估对象从单体模型扩展到持续互动的智能体网络：个体行为一致，并不保证群体结果可靠。 对做多智能体协作与工作流编排的团队而言，它提示需在长程互动后追踪观点分布、跨群体交互和同类信息反复强化等群体指标。 边界同样清楚：模拟出现类人模式不等于能预测真实人群，模型、提示词与简化的观点表示都会影响结果，更长时间尺度和异构模型协作仍需验证。
后续观察信号
- 论文原文：https://www.nature.com/articles/s41467-026-78228-y
- 五种骨干模型之外的模型是否复现该现象
- 干预策略在更长互动时间尺度下的效果