Denne nye avisen er vill! Det antyder at LLM-baserte agenter opererer i henhold til makroskopiske fysiske lover, på samme måte som partikler oppfører seg i termodynamiske systemer. Og det ser ut til å være en oppdagelse som gjelder på tvers av modeller. LLM-agenter fungerer veldig bra på ulike områder, men vi har ingen teori for hvorfor. Oppførselen til disse systemene blir ofte sett på som et direkte produkt av kompleks intern ingeniørkunst: prompt-maler, minnemoduler og avansert verktøykall. Dynamikken forblir en svart boks. Denne nye forskningen antyder at LLM-drevne agenter viser detaljert balanse, en grunnleggende egenskap ved likevektssystemer i fysikk. Hva betyr dette? Det antyder at LLM-er ikke bare lærer regelsett og strategier; de kan implisitt lære en underliggende potensiell funksjon som evaluerer tilstander globalt, og fanger noe som «hvor langt LLM-en oppfatter en tilstand å være fra målet.» Dette muliggjør rettet konvergens uten å sitte fast i repeterende sykluser. Forskerne integrerte LLM-er i agentrammer og målte overgangssannsynligheter mellom tilstander. Ved å bruke et minste virkningsprinsipp fra fysikken estimerte de potensialfunksjonen som styrer disse overgangene. Resultatene på tvers av GPT-5 Nano, Claude-4 og Gemini-2.5-flash: tilstandsoverganger tilfredsstiller i stor grad den detaljerte balansebetingelsen. Dette indikerer at deres generative dynamikk har egenskaper som ligner likevektssystemer. I en symbolsk tilpasningsoppgave med 50 228 tilstandsoverganger over 7 484 forskjellige tilstander, beveget 69,56 % av høysannsynlighetsoverganger seg mot lavere potensial. Potensialfunksjonen fanget uttrykksnivåfunksjoner som kompleksitet og syntaktisk validitet uten behov for strengnivåinformasjon. Ulike modeller viste ulik atferd på utforsknings- og utnyttelsesspekteret. Claude-4 og Gemini-2.5-flash konvergerte raskt til noen få tilstander. GPT-5 Nano utforsket bredt og produserte 645 forskjellige gyldige resultater i løpet av 20 000 generasjoner. Dette kan være den første oppdagelsen av en makroskopisk fysisk lov i LLM-generativ dynamikk som ikke avhenger av spesifikke modelldetaljer. Det antyder at vi kan studere AI-agenter som fysiske systemer med målbare, forutsigbare egenskaper, i stedet for bare ingeniørartefakter. Artikkel: Lær å bygge effektive AI-agenter i vår akademi: