Nový preprint zkoumá, jak se skupiny jazykových modelů chovají při doporučování neznámých písní, když vidí rozhodnutí ostatních. Autoři navázali na experiment Music Lab a porovnali prostředí se zobrazenými souhrnnými počty doporučení i bez nich. Zpřístupnění popularity podle výsledků vyvolávalo silné a obtížně předvídatelné kaskády, které se stále více vzdalovaly vlastní přitažlivosti skladeb. Ve zkoumaném uspořádání byly populace AI agentů obecně náchylnější k davovému chování než lidé a jejich kaskády se hůře samy korigovaly. Výsledek je relevantní pro systémy, v nichž agenti přebírají doporučení či hodnocení jiných agentů. Nelze jej ale bez dalšího zobecnit na všechny modely a pracovní postupy. Jde o výzkumný preprint a konkrétní experiment, ne o důkaz nevyhnutelného selhání každého multiagentního systému.
