SwarmWorld: Stigmergic technological evolution in societies of language-model agents
Subhadeep Pal, Fiona Y. Wang, Markus J. Buehler
cs.AI, cond-mat.mtrl-sci, cs.CL
2026-08-27
MIT用SwarmWorld让50–200个同质LLM无角色、无配方地造可执行装置。共享世界在组合韧性与发明数上压过独立搜索，最强单件仍常由孤立搜索拿到。
多数多 Agent 系统靠对话、预置角色或中心工作流协作。那只能说明模型会说话、会分工，测不出「交互是否真的比同样算力的独立搜索更强」。更缺的是：造出来的东西能不能在发明者离开后，还在物理世界里干活。
SwarmWorld 把这个问题做成可证伪实验。MIT LAMM 的 Pal、Wang 和 Buehler 把一群一开始完全同质的 LLM 放进持久的物质世界：没有角色、没有配方目录、没有全局奖励。Agent 只看局部观察和私有记忆，提出装置架构和控制器；确定性模拟器决定能不能建、建完能不能用。
世界是格子上的资源、加工站、扰动场。Agent 用 gpt-5.6-luna（温度 0.7）按固定节奏出结构化计划，模拟器按物质守恒、空间和权限逐条校验。造出来的装置带着可执行控制器，每个 tick 都在跑，后来者可以撞见、继承、改程序。
对照拆成四档。完整文化：共享世界、消息与记录、跨 Agent 程序继承、器物痕迹。无通信：去掉直接说话，留下共享装置和程序继承。无显式文化：再去掉跨 Agent fork，只剩物理 stigmergy，即通过改环境来协调、不必对话。独立搜索：N 个单人世界，按终点取 best-of-N，这是很硬的对照。
评测把发现和功能拆开。检查点冻结状态、撤走全部 Agent，复制成 8 套未见过的污染、干旱、风暴日程，只让物理和已安装程序继续跑。通过验证门的装置才叫 invention：测过材料、完整设计、装上程序、过性能阈值、行为上新。
800 tick、N=50/100/200、每格 4 个配对种子。共享世界在持有韧性和组合韧性上几乎全面压过独立包络；N=200 时无显式文化的验证发明数平均多 6 件，发现前沿 AUC 配对增益 +0.069。发现速度并不单调：N=50 时完整文化还落后独立包络，N=100 才翻过来。
行为分化是后验聚出来的，不是提示词写的。N=200 时围着装置干活的比例，完整文化约 27%，无显式文化 20%，无通信 17%。完整文化下多 Agent 共同贡献的装置分别占 67%、76%、56%（N=50/100/200）。展示的 16 件技术峰值分数从 0.790 到 0.347，从几丁质交换格到潮汐板、菌丝修复膜，不是收敛到一个模板。
| 条件（N=100，tick 3200） | 组合韧性 | 验证发明 | 持有韧性 | 最强单件 |
| 完整文化 | 0.2474 | 5.75 | 与无显式文化接近 | 0.2380 |
| 无显式文化 | 0.2365 | 7.00 | 0.0446 | 未单列 |
| 独立搜索包络 | 0.1794 | 2.75 | 0.0356 | 0.3488 |
文化有助于组合和继承，不保证每项指标都赢。约 95% 的首次采用来自物理观察，不是跟发明者聊天。随机拿掉一半 Agent，几乎所有装置仍连着至少一个幸存者；针对性拿掉高度数节点，损失大得多。架构还迁到火山材料世界 AshenRealm 和序列限定的 Protein Realms；后者单一种子试点装上 3 件蛋白–基质材料，最强 SELP47K 效用 0.729，条件之间不能做推断比较。
对做多 Agent 系统的人，这是一条比「会不会聊天」更硬的尺子：共享物理底盘本身就能积累技术，显式文化改的是组织方式和发展轨迹，不是万能加速器。独立并行搜索仍可能拿到纪录单件。若目标是产品组合和灾后还能用，交互有用；若目标是刷单项分数，加对话可能反而添协调成本。
每条件只有 4 个世界种子，一种模型、一套提示。模拟器定义功能和材料，图里的装置肖像是机制可视化，不是造出来的真物件。Protein Realms 是单一种子、目录约束的可行性演示。持有评测测的是撤走 Agent 后的程序，网络敲除测的是图拓扑，不是运行中世界的物理恢复。gpt-5.6-luna 的权重固定，没有在线学习。