Dieses neue Papier ist verrückt! Es schlägt vor, dass LLM-basierte Agenten gemäß makroskopischen physikalischen Gesetzen operieren, ähnlich wie Partikel in thermodynamischen Systemen. Und es sieht so aus, als wäre es eine Entdeckung, die auf verschiedene Modelle anwendbar ist. LLM-Agenten funktionieren in verschiedenen Bereichen wirklich gut, aber wir haben keine Theorie, warum. Das Verhalten dieser Systeme wird oft als direktes Produkt komplexer interner Ingenieurskunst betrachtet: Eingabevorlagen, Speichermodule und ausgeklügelte Werkzeugaufrufe. Die Dynamik bleibt eine Black Box. Diese neue Forschung legt nahe, dass LLM-gesteuerte Agenten ein detailliertes Gleichgewicht aufweisen, eine grundlegende Eigenschaft von Gleichgewichtssystemen in der Physik. Was bedeutet das? Es deutet darauf hin, dass LLMs nicht nur Regelsets und Strategien lernen; sie könnten implizit eine zugrunde liegende Potentialfunktion lernen, die Zustände global bewertet und etwas erfasst wie "wie weit das LLM einen Zustand vom Ziel wahrnimmt." Dies ermöglicht eine gezielte Konvergenz, ohne in sich wiederholenden Zyklen stecken zu bleiben. Die Forscher haben LLMs in Agentenrahmen eingebettet und die Übergangswahrscheinlichkeiten zwischen Zuständen gemessen. Mit einem Prinzip der minimalen Aktion aus der Physik schätzten sie die Potentialfunktion, die diese Übergänge steuert. Die Ergebnisse über GPT-5 Nano, Claude-4 und Gemini-2.5-flash: Zustandsübergänge erfüllen größtenteils die Bedingung des detaillierten Gleichgewichts. Dies deutet darauf hin, dass ihre generativen Dynamiken Eigenschaften ähnlich wie Gleichgewichtssysteme aufweisen. In einer symbolischen Anpassungsaufgabe mit 50.228 Zustandsübergängen über 7.484 verschiedene Zustände bewegten sich 69,56 % der hochwahrscheinlichen Übergänge in Richtung niedrigeres Potential. Die Potentialfunktion erfasste ausdrucksbezogene Merkmale wie Komplexität und syntaktische Gültigkeit, ohne Informationen auf Zeichenebene zu benötigen. Verschiedene Modelle zeigten unterschiedliche Verhaltensweisen im Spektrum von Exploration und Ausbeutung. Claude-4 und Gemini-2.5-flash konvergierten schnell zu wenigen Zuständen. GPT-5 Nano erkundete weitreichend und produzierte 645 verschiedene gültige Ausgaben in 20.000 Generationen. Dies könnte die erste Entdeckung eines makroskopischen physikalischen Gesetzes in den generativen Dynamiken von LLM sein, das nicht von spezifischen Modell-Details abhängt. Es deutet darauf hin, dass wir KI-Agenten als physikalische Systeme mit messbaren, vorhersehbaren Eigenschaften studieren können, anstatt nur als Ingenieursartefakte. Papier: Lerne, effektive KI-Agenten in unserer Akademie zu bauen: