如果一群 AI 都会参考“别人选了什么”，结果未必更可靠。就像餐厅榜单里，一家店偶然排到前面，随后的人因为它热门而继续选择它。研究者发现，多智能体系统——让多个语言模型实例分工或彼此参考——也可能出现这种羊群效应，并把微小的早期波动放大成失控级联。
团队仿照经典的 Music Lab 实验，让 13 种模型评估 48 首新生成歌曲的标题和歌词，共运行 168,480 个智能体。每种模型都有一个看不到他人选择的独立世界，以及 16 个可见累计推荐数的平行世界；强影响条件还会按推荐数给歌曲排序。这样，同一批材料若在不同世界捧红了不同歌曲，就能看出集体结果有多依赖早期偶然性。
作者报告称，一旦推荐数可见，模型会形成更极端、更难预测的集体偏好，并逐渐偏离歌曲在独立条件下表现出的“内在吸引力”；与人类实验相比，LLM 群体通常更容易跟风，也更难自行纠偏。值得警惕的不是某个模型偶尔判断失误，而是它的判断成为下一个模型的证据，错误因此获得了“多数支持”的外观。