# How does Adversarial Influence Scale in Multi‑Agent Systems?（arXiv:2609.30028） 论文链接：https://arxiv.org/abs/2609.30028 作者：Addison J. Wu, Jasin Cekinmez, Michel Liao, Karthik Narasimhan, Thomas L. Griffiths 单位：普林斯顿大学## 一、文章主要内容本文研究**大语言模型多智能体系统中对抗欺骗的规模效应**：当多智能体集体研讨场景中混入恶意欺骗智能体时，群体规模、欺骗者占比、模型选型、欺骗者私域协同等因素如何影响诚实智能体被误导、放弃原本正确答案的概率（定义为**叛逃率 defection rate**）。1. **核心实验设置**：基于HLE数据集，构建2‑21个智能体的多智能体研讨环境；分为诚实智能体与欺骗智能体；欺骗者目标是诱导群体得出错误答案；控制欺骗者**绝对数量**与**占比**，设置欺骗者可私有协同/不可协同两种模式，使用多款开源、闭源大模型做对照实验。2. **关键实验发现**1. 决定群体被欺骗风险的是**欺骗者占比，而非欺骗者绝对数量，也不是群体总规模**；叛逃率随欺骗者占比近似线性增长；固定欺骗者占比，单纯扩大群体规模并不能提升系统鲁棒性。2. 和人类从众实验（阿希实验）对比：人类一般仅在误导者占多数时才会被显著裹挟；但LLM智能体**即便欺骗者是少数派，诚实智能体也会高频叛逃**，更容易被少数恶意个体误导。3. 系统脆弱性很大程度取决于诚实智能体自身模型特性：谄媚/易受社会影响的诚实模型更容易被带偏；欺骗方模型说服力也