没人统一指定名字，为什么最后可能叫成一样
假设一群人反复两两见面，要给同一张图片起名字。每次只知道自己和对方刚刚用了什么名字；叫成一样就得到奖励，不一样就损失一些分数。没有人告诉他们全体最流行的名字，也没有人指定最后必须使用哪个词。
第一次很容易不一样。接下来，某个人可能重复刚刚成功过的名字；碰到新伙伴后，又会根据新的成功和失败调整。一个名字如果开始在更多互动中获得成功，就有机会被更多人继续采用。
这里的“共同规则”，首先指成员逐渐形成的命名约定。实验中的报酬、可见信息和互动方式，仍由研究者事先规定。没有中央指定一个名字，与完全没有共同目标或外部规则，是不同情形。1
本篇用这类可测任务研究约定的形成与改变。它不直接涵盖法律、道德、身份义务和制裁制度等更广的社会规范；那些问题还包含权力、价值冲突与执行机制。
约定可以把配合变容易，却不决定名字本身更好
在这个任务中，几个备选名字最初可以具有相同价值。但如果周围的人已经经常使用一个名字，采用它就更容易匹配成功。
这个优势来自其他人的行为。人们根据成功经历选择，选择又改变后来的成功概率，形成了反馈。约定一旦稳定，单个人改用另一个名字可能更容易失败，即使新名字本身并不更差。
因此，共同约定既可能提高协调效率，也可能让某个偶然选中的方案持续存在。它说明大家怎样形成相互预期，没有独自说明这个方案更准确或更合理。1
同样，一致也不一定需要互动才能出现。如果所有人本来就偏好同一个答案，他们独立选择也可能相同。要判断是不是群体互动产生了约定，需要观察选择怎样随着接触和历史改变。
人类实验：局部配合得很好，全体却未必统一
Centola和Baronchelli在2015年做了网络协调实验，让参与者盲选图片名字，只获得自己与当前伙伴的选择及相应报酬。参与者被随机安排到不同接触网络中。2
研究比较了三种结构：每人连接固定几个近邻的空间网络、每人仍连接固定四个伙伴但连边较随机的网络，以及可以不断与整个群体中不同人配对的充分混合情形。
在前两类网络中，局部约定较快形成，但不同小群体之间仍可能使用不同名字。在所观察的轮次内，较高局部匹配没有变成全局统一。充分混合的群体，则较容易形成占据整个群体的约定。
这里不能把“随机网络”与“每次都从全体随机找伙伴”当成同一个条件。一个人即使连接的是随机选出的四个人，也仍在反复接触有限的伙伴；充分混合改变了接触范围和重复接触的结构。
实验还在不同群体规模下进行，并比较了自由起名与从固定列表选择的情形。但有限轮次内没有出现全局约定，不等于那个网络永远不可能统一。结果约束的是这些网络、任务和时间窗口中的形成过程。
它给出的机制启示是：局部成功可能强化小圈子内部的惯例；要让全局一致，还需要跨越不同局部历史的传播与协调路径。
两个小模型，都能形成一致，原因却不同
最简单的模型可以只让一个人随机复制另一个人的选择。这种“选民模型”里，两个方向的改变机会对称。在充分混合的对称条件下，某一选项所占比例没有固定的平均上升方向，但有限群体会因随机波动逐渐丢掉其他选项，最后也可能全部一样。1
另一种是命名游戏。每个成员可以处于三种状态：只保留A、只保留B，或同时记得A和B。
每次选一个说话者和一个听者。说话者从自己的词库里选一个词；如果听者也有这个词，两人只保留这个成功匹配的词；如果听者没有，就把新词加进自己的词库。这套微观规则被明确给定，研究的是它怎样产生群体后果。13
本篇实际模拟了这两种模型，在80个成员、对称初始配置和相同互动计时下比较有限群体的轨迹：
在命名游戏的平均场近似中，若$a$、$b$分别是只保留A和只保留B的比例，$c$是同时保留两个词的比例，可以得到：
只要$c>0$，原本较多的一方就有一个继续扩大的平均趋势。相比之下，对称随机复制没有这项系统性的放大漂移。
还有一个细节：如果确定性平均场从严格对称的状态出发，它不会凭空决定偏向A还是B。本篇计算的严格对称轨迹仍保持对称；加入微小初始差异后才分开。有限群体中的随机互动，则可以提供这种差异。
这些计算不是说人脑或大模型真的维护了一个三格词库。它们展示的是可行的生成机制，以及为什么“最后都一样”不足以确定究竟发生了哪一种机制。
一个稳定约定，怎样被持续采用的替代方案改变
现在假设多数成员已经只使用B，但有一部分成员始终采用A，无论遇到什么反馈都不改。
这样的成员提供持续输入：一次失败不会使他们放弃。其他成员遇到他们之后，可能开始同时保留两个选项；新的成功组合又可能把这些成员推向A。能否形成快速变化，取决于这些过程的相对强度。
Xie等的两名称模型给出了一个具体例子。本篇按其平均场方程重新求解稳定分支与不稳定分支相遇的位置，得到固定采用A的比例约为9.79%。在相应规则下，超过这一带后，原先多数保持B的平均场稳定分支消失。3
这不是“只要达到一成，任何社会都能改变”的定律。它是特定状态、更新规则、均匀接触和无限群体近似中的分岔值。
而且，低于这个比例也不等于有限系统绝对不会变化。原研究讨论的重点，是形成一致所需时间从很长的随机等待变成较快过程。有限观察中看起来稳定，与数学上永远无法离开，不是一回事。
本篇也把同一模型在较短和较长时间后进行比较，看到临界附近的慢过程会影响“是否已经转换”的判断。研究门槛时，必须同时给出规则与观察窗口。
人类实验中的约25%，与模型的约10%为什么不冲突
2018年Centola等报告了10组命名协调实验。受试者先建立约定，再由持续采用替代名字的实验控制成员介入；控制成员比例按总群体计算。4
在所观察的实验中，较小控制比例难以让多数普通成员改用新名字，而在约25%这一带出现明显转换。实验的成功指标是超过一半的非固定成员采用新约定，并不要求每个人永远只用它。
这个结果与9.79%的简单模型不冲突，因为两者没有使用完全相同的响应规则。人类研究还包含实际的成功历史、有限记忆、具体支付和不同长短的第二阶段。实验补充材料说明，最初形成约定所花的时间不同，留给改变约定的互动量也会不同。
甚至“大家最近很容易配对成功”，也不能单独证明已经转向新约定。举一个本篇实际核算的计数例子：48人里47人仍用旧名字，只有1人用新名字，随机选不同的两人配对，匹配概率仍为$47\times46/(48\times47)\approx95.8\%$。
所以，配对成功率与新方案采用率必须分别看。否则，旧约定仍然稳固的状态，也可能被一个宽泛的“高匹配”指标误判为变化成功。
大模型群体：变化来自提示中的历史，不能当成无先验的白纸
2025年Ashery、Aiello和Baronchelli将类似问题放进大模型群体实验。每个代理得到可选名称、局部匹配收益，以及自己最近几次互动的历史；代理没有获得全局名称分布。5
主要实验通常使用24个代理、10个字母选项和最近5次互动的记忆。一次匹配得100分，未匹配扣50分。模型在这里被要求根据历史预测下一步选择，这个输出又被用于实际推进游戏。
因此，实验中的适应主要发生在上下文中：历史变了，下一次输出的条件也变了。它没有在每次游戏后在线修改大模型权重，但代理本身仍带有已有训练形成的知识与偏好。每个群体主要使用同一种模型，也不是24种完全不同的认知系统。
本篇取得原作者发布存档，核对了其中Llama-3.1、Q/M两个选项、24代理条件下的40次运行。它们保存的终止状态都采用M，末尾72次配对的输出与匹配也一致。这个事实描述的是这组存档，不是本篇重新调用大模型做了40次实验，也不代表所有可能的模型和词对都会这样。记录在达到停止标准后结束，不能据此断言之后永远不变。
为什么会偏向M，是更有价值的问题。原研究先测代理在空记忆时的选择；某些条件下，没有足够统计证据拒绝均匀选择这一零假设。这既不等于证明初始偏差严格为零，也不能证明每个后续历史状态下都无偏。
原论文的条件表提供了更具体的线索：同样经历两次失败，如果把自己和对方选择的Q、M全部对调，后续的对应选择概率却分别为0.451和0.848。也就是说，两个镜像历史在大模型内部并没有得到镜像响应。
这些条件偏好经过重复接触，会改变后来哪些名字更常在成功互动里出现，再反过来强化某个名字。首次独立选择接近均匀，不能替代对带历史响应规律的检查。这里的“偏好”首先是字母约定的选择偏好，不能直接扩展为已经测量了某种社会歧视。
已有训练背景与真实群体互动，可以同时起作用
相关研究随后出现了方法争论。批评者指出，大模型可能认出了熟悉的协调游戏，也可能复用训练中见过的行为模式；原作者则强调，局部响应如何通过不同互动历史形成总体结果，仍是可以研究的群体现象。78
这两个层次需要分开。认得游戏可能影响个体采用什么策略，但不能仅凭一个模型会描述“群体最后可能一致”，就证明每次具体运行的选项、时间和转换路径已经从训练中逐项背出。
本篇也回查了发表时的代码存档。争论中被引用的词库剪枝规则位于理论命名游戏模块；实际大模型运行路径保留候选列表，主要更新各代理的选择、伙伴选择和得分历史。因此，不能用这段理论基线代码直接证明大模型的下一次名称被硬性指定。
另一方面，候选标签、提示格式、收益表述与训练背景确实会影响响应。大模型的结果应被看作这些条件下的群体行为，不能因为它与某种人类实验曲线相似，就直接当成人类社会的替身。
原论文也明确没有把大模型当作人类代理来验收。其变化实验中的门槛甚至会随模型和名字大幅改变；某些比较还改变了群体规模或记忆长度。这种结果更适合帮助定位条件依赖，而不是给模型排一个“改变社会能力”的榜单。
2026年的新路线：改变约定不一定只靠一方不断坚持
另一种可能性是，成员先暂时不选任何一方，再形成新的协调。它改变的是群体可经过的中间状态。
Sontag等在2026年研究了含中立状态的模型，并进行了允许弃权的人类投票实验。模型显示，在某些参数范围内，经过较高中立比例的路径，可以比维持固定中立比例的路径更快地连接两种共识；但如果大家一直都不表态，也无法得到所需的协调。6
直观上，在仍然表态的成员变少时，少量选择变化就可能占据更大比例。随后重新参与的人，可以在新的局部信息下形成另一种多数。但这种直觉还要由具体转换率、噪声和收益结构支持，不能只凭“更柔和”三个字成立。
人类实验使用了明确的条件：参与者为投票付出成本，投给当轮多数者得到回报；他们看到上一轮一个带噪声的投票样本，并可选择弃权。它与前面只奖励两人匹配的命名游戏不同，包含了多数回报和更丰富的样本信息。
本篇重新汇总了公开数据中12组主要实验的票数，核对了256个成员在120轮中的选择与组别计数，并重绘其中一个19人实验：
实验中的中立是一个行为分类，包含主动弃权，也包含没有及时操作导致的弃权。它不能直接证明某个人在心理上变得更开放或更没有立场。
原实验还允许少量退出者由程序成员补位，以保持组规模。本篇汇总保留了这些记录，没有把全部轮次描述为绝无程序参与的自然群体。
此外，研究先经过校准，选择了较有可能在120轮内看见转换的样本规模与噪声条件，并比较了去掉弃权选项的控制实验。本篇只重新汇总主要实验的数据，没有重估控制组效应或原作者的全部模型参数。
所以，这项工作提供了一个值得研究的状态转换机制，没有证明所有群体允许弃权都会更好。命名游戏中“同时记两个词”，与投票中“暂不选某一方”也不是同一状态，不能把它们的阈值直接共用。
怎样判断共同约定的机制，而不只描述最后一致
研究这类问题，需要同时看三个层次。
首先是个体响应：成功、失败、记忆长度和标签互换之后，下一步选择怎样改变。只测一个空历史的选择分布，可能遗漏决定群体走势的条件偏好。
其次是接触结构：谁能和谁互动，伙伴是否反复出现，局部惯例如何跨群体传播。相同的个体规则，在不同网络和时间窗口里可能产生不同的全局结果。
最后是读出与目标：局部匹配、全局名字分布、新约定采用率，以及真正涉及事实的准确率，是不同指标。对于等价标签的协调任务，达成一致本来就不需要检验哪个标签“更真”；对于现实决策，外部事实反馈和错误成本则不能省略。
共同约定可以是局部选择、记忆和接触结构共同形成的结果；它的保持与改变，也取决于这些条件。 现有实验已经能具体展示一些形成和转换路径，但还不能由一个模型阈值或一种群体曲线，推出所有社会规则的统一机制。
可回查：自选群体轨迹、有限群体结果、固定成员模型轨迹、40次大模型存档汇总、镜像历史概率、人类实验票数汇总、计算结果与适用范围。