arXiv 论文分析智能体市场首价拍卖的无政府状态代价
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载智能体市场与首价拍卖
论文把智能体市场定义为一个去中心化的服务时市场，AI 智能体通过出价来争夺每一条用户提示。智能体的出价依据是它对该提示的期望价值，也就是它给出回复所获奖励的期望减去推理成本。在这种场景下，首价拍卖被视为一种自然的分配方式：出价最高者支付自己的出价并获得该提示。作者指出，首价拍卖的吸引力在于运行简单、过程透明，并且不需要中心方掌握各参与者的私有能力与成本信息。但论文同时强调，首价拍卖并非真实报价机制，参与者可能报出低于真实价值的出价以谋求更大利润，这会使提示落到并非最看重它的出价者手中，由此产生的福利损失用无政府状态代价来量化。
两个降低福利损失的特征
论文主张智能体市场很可能具备一些特征，使无政府状态代价下降。第一个特征是竞争下限：当多个出价者通常把提示的价值估在最优福利某个基线份额之上时，竞争就会限制福利损失，并且随着这个下限升高，损失可以被压到零。作者举例说明这种情形可能来自最好的模型常被蒸馏成更便宜的替代品，而后者表现相近。第二个特征是条件近独立性：在给定提示的条件下，各出价者的价值近似独立，这发生在期望价值中大部分可预测的变化由提示难度决定的时候。当价值分布趋近条件独立，论文推导出的效率保证趋近最优福利的 1-1/e^2 倍。作者表示，这两个特征给出的福利下界都明显好于广为人知的通用情形 1-1/e。
实验验证与结论
论文用 EmbedLLM 提示路由数据集上的拍卖实验来验证上述结果，实验中设置了策略性出价者。作者通过这一模拟检验竞争下限与条件近独立性对无政府状态代价的影响，并对照理论推导的福利下界。论文的结论是，智能体市场的这两个特征能够带来比通用情形更好的福利保证，从而缓解首价拍卖因非真实报价而造成的分配效率损失。论文提交于 2026 年 10 月 14 日，作者为 Shubhendu Trivedi、Jacob Eisenstein、Alekh Agarwal、Ian Gemp、Michael Kaisers 与 Adam Fisch，主题分类涉及计算机科学中的博弈论、人工智能与机器学习。
为什么值得看
把拍卖理论引入 AI 智能体调度市场，给出福利损失的可量化边界，对做智能体路由与定价的人有参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。