Neues multi-Agenten-Umfeld basierend auf dem 2v2-Format von Pokémon Showdown bewertet, wie große Sprachmodelle in Echtzeit koordinieren, kommunizieren und verhandeln. Unter Verwendung von Qwen3.8-27B-Modellen als Teammates testet das Setup die Zusammenarbeit unter Unsicherheit mit versteckten Gegner-Sets und zufälligem Schaden. In einer Beispielschlacht identifiziert ein Agent korrekt einen Typ-Zuordnungsfehler seines Partners, bevor er sich für einen Zug entscheidet, und demonstriert dynamische Korrektur und strategische Aufteilung der Ziele.
Die Ergebnisse zeigen, dass freier Team-Chat die Gewinnquoten signifikant steigert: Teams mit unrestricted communication gewannen 64% der Kämpfe gegen einen scripted Max-Schaden-Bot, verglichen mit nur 42%, wenn kein Sprechen erlaubt war. Selbst eine Nachricht pro Runde verbesserte die Leistung auf 52%. Bemerkenswert ist, dass ein einzelnes Modell, das beide Pokémon steuert, nur 54% erreichte, was darauf hindeutet, dass der conversationale Austausch selbst — anstelle zentraler Planung — den Vorteil schafft. Allerdings verbrauchte freier Chat 978k Prompt-Tokens pro Schlacht, fast das Vierfache der in stillen Kämpfen verwendeten 259k, und unterstreicht damit den Rechenaufwand des Dialogs.
Die Umgebung beweist zudem differenzierbar: stärkere Qwen3.8-27B-Teams schwächere Qwen3.5-2B-Teams mit 96% Wahrscheinlichkeit und 74% gegen 9B-Modelle besiegt, und etabliert einen skalierbaren Referenzwert. Zukünftige Arbeit umfasst die Isolierung des Einflusses der Beobachtung der vom Partner gewählten Bewegung und die Entwicklung eines öffentlichen Leaderboards.
Quelle: Hacker News · Zusammengefasst von HeadlinesBriefing