多智能體系統的社會評估通常只是觀察行為如何從環境中自發湧現，而很少對環境進行系統性干預以主動誘發特定行為。針對這一侷限，論文《Fig: Automated Multiagent Behavior Elicitor》（arXiv:2610.28891）提出了一個名為 Fig（Finding Interactions in Games）的智能體系統，專門對遊戲環境執行有針對性的誘發干預。該論文由 Anrui Gu 等三位作者完成，於 2026 年 10 月 20 日（週二）20:16:08 UTC 提交至 arXiv，屬於人工智能（cs.AI）與多智能體系統（cs.MA）分類，全文約 997 KB，編號為 arXiv:2610.28891v1，DOI 為 https://doi.org/10.48550/arXiv.2610.28891。
Fig 的工作流程從一段自然語言的行為描述開始。系統首先將這一描述分解為若干子行為，隨後生成新的社會博弈遊戲，或從已有遊戲庫中挑選合適的遊戲；在此基礎上，它對遊戲引擎、對手、指令與上下文四個層面執行單一或組合式干預。為評估模型行為，Fig 將內置的機械性檢查與合成評分標準的判斷結合起來。作者通過人工評審對干預手段、生成的遊戲以及評估機制進行了驗證。
在實驗結果方面，對於 Fig 為六種測試行為生成的有效場景，模型平均在 45.2% 的回合中嘗試了目標行為。這六種測試行為分別是：合作（cooperation）、利用（exploitation）、欺騙（deception）、隱蔽協調（covert coordination）、背叛（betrayal）與破壞（sabotage）。在具備可用對照的遊戲—行為組合中，Fig 的干預相較匹配的對照遊戲平均將行為嘗試率提升了 10.9%。
作者指出，這項研究表明多智能體環境可以作為可編程的測試平台，用於開展有意圖的、可控的且可復現的行為評估。論文代碼已在 GitHub 上公開（https://github.com/fleet-ai/fig）。需要注意的是，摘要中的 45.2% 與 10.9% 均為平均值，分別對應 Fig 生成的有效場景與具備對照條件的遊戲—行為組合；文中強調評估依賴人工評審驗證，讀者在解讀這些數字時應結合具體場景與對照設置。此外，該預印本的 DOI 由 DataCite 發放，當時仍處於待註冊狀態。