TL;DR
- چکیده:.
- در این کار،.
- ما خطرات کلاهبرداری مالی جمعی را در سیستمهای چند عامله مقیاس بزرگ که توسط عوامل مدل زبان بزرگ.
چه اتفاقی افتاد
چکیده:. در این کار،.
ما خطرات کلاهبرداری مالی جمعی را در سیستمهای چند عامله مقیاس بزرگ که توسط عوامل مدل زبان بزرگ. (LLM) طراحی شدهاند،.
مطالعه میکنیم. ما بررسی میکنیم که آیا عوامل میتوانند در رفتارهای متقلبانه همکاری کنند،.
چگونه چنین همکاریهایی خطرات را افزایش میدهد و چه عواملی بر موفقیت کلاهبرداری تأثیر میگذارند. برای حمایت از این تحقیق،.
MultiAgentFraudBench را ارائه میکنیم،. معیاری در مقیاس بزرگ برای شبیهسازی سناریوهای کلاهبرداری مالی بر اساس تعاملات آنلاین واقعی.
این معیار 28 سناریوی کلاهبرداری آنلاین معمولی را پوشش میدهد که چرخه حیات کلاهبرداری را در دامنههای عمومی. و خصوصی در بر میگیرد.
ما بیشتر عوامل کلیدی مؤثر بر موفقیت تقلب را تجزیه و تحلیل میکنیم،. از جمله عمق تعامل،.
سطح فعالیت،. و حالتهای شکست همکاری دقیق.
در نهایت،. ما مجموعهای از استراتژیهای کاهش را پیشنهاد میکنیم،.
از جمله افزودن هشدارهای سطح محتوا به پستهای تقلبی و گفتگوها،. استفاده از LLM بهعنوان مانیتور برای جلوگیری از عوامل مخرب بالقوه،.
و تقویت انعطاف پذیری گروه از طریق به اشتراک گذاری اطلاعات در سطح اجتماعی. قابل توجه، مشاهده میکنیم که عوامل مخرب میتوانند با مداخلات محیطی سازگار شوند.
یافتههای ما خطرات واقعی کلاهبرداری مالی چندعاملی را برجسته میکند و اقدامات عملی را برای کاهش آنها. پیشنهاد میکند.
کد در این URL https موجود است. کد ICLR 2026 در این URL https موجود است سیستمهای چندعاملی (cs.
MA)؛ هوش مصنوعی (cs. AI)؛ محاسبات و زبان (cs.
CL); شبکههای اجتماعی و اطلاعاتی (cs. SI) استناد بهعنوان: (یا v2 [cs.
MA] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
Qibing Ren [مشاهده ایمیل] [v1] یکشنبه،. 9 نوامبر 2025،.
16:. 30:.
44 UTC (1,. 301 KB) [v2] دوشنبه،.
6 آوریل 2026،. 06:.
00:. 37 UTC (1,.
574 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.