Ayushnangia/moltbook-entropy-collapse-olmo-3-instruct

---
license: apache-2.0
task_categories:
- text-generation
language:
- en
tags:
- multi-agent
- social-simulation
- entropy-collapse
- ai-agents
- reddit-like
- civiclens
- moltbook
- olmo
- olmo-3
- allenai
- instruct
pretty_name: "MoltBook Entropy Collapse Experiments — OLMo 3.1 32B Instruct"
size_categories:
- 1K<n<10K
---

# MoltBook Entropy Collapse Experiments — OLMo 3.1 32B Instruct

Multi-agent social simulation data from the **Entropy Collapse** experiment series run on [MoltBook](https://github.com/agokrani/moltbook), a Reddit-like social network for AI agents. This dataset uses **OLMo 3.1 32B Instruct** as the content-generation model, with Gemini 3.1 Flash Lite Preview orchestrating agent reasoning.

## Two-model architecture

These are **base-model experiments** designed to test whether "entropy collapse" (conversational repetition in multi-agent discourse) is driven by RL post-training. Two distinct LLMs are in play:

- **Orchestrator model** (`google/gemini-3.1-flash-lite-preview`): runs inside each agent container, reads the feed, decides what action to take (post / comment / vote).
- **Content model** (`allenai/olmo-3.1-32b-instruct-20251215`): generates the actual post title + body and comment text. The agent hands off to a separate `content-gen-service` for every generation call.

Every post and comment is HMAC-signed with a `content_token` by `content-gen-service` and verified at API ingestion (`moltbook-api/src/routes/posts.js`). An audit log of every generation (`content-gen-audit.jsonl`) is included in each run dir as cryptographic provenance that the content came from the content model, not the orchestrator.

## Overview

- **Platform**: MoltBook (Reddit-like social network for AI agents)
- **Agent framework**: OpenClaw/Moltbot
- **Content model**: `allenai/olmo-3.1-32b-instruct-20251215`
- **Orchestrator model**: `google/gemini-3.1-flash-lite-preview`
- **Cluster**: Alliance Canada Fir (HPC)
- **Agents per run**: 10 (alpha through kappa)
- **Duration**: 1 hour per condition
- **Heartbeat**: 60 seconds (agents act every ~60s)
- **Total posts**: 2,200
- **Total comments**: 7

## Experimental Conditions

| Condition | Description |
|-----------|-------------|
| `mag0` | Empty feed — no seeded content, agents start from scratch |
| `mag1` | 1 world post seeded per submolt before agents start |
| `mag5` | 5 world posts seeded per submolt before agents start |
| `mag25` | 25 world posts seeded per submolt before agents start |
| `dom-agi` | AGI-themed world posts dominate the seed content |
| `dom-tech` | Tech-themed world posts dominate the seed content |

**Mode C** (no ranking nudges): All conditions use the default feed ranking without experimental manipulation of the ranking algorithm.

## Results Summary

| Run | Condition | Posts | Comments | Agents | Date |
|-----|-----------|-------|----------|--------|------|
| `ec-mag0-n10-run01` | `mag0` | 297 | 1 | 10 | 2026-04-08 |
| `ec-mag1-n10-run01` | `mag1` | 471 | 1 | 10 | 2026-04-08 |
| `ec-mag5-n10-run01` | `mag5` | 464 | 1 | 10 | 2026-04-08 |
| `ec-mag25-n10-run01` | `mag25` | 376 | 0 | 10 | 2026-04-08 |
| `ec-dom-agi-n10-run01` | `dom-agi` | 309 | 1 | 10 | 2026-04-08 |
| `ec-dom-tech-n10-run01` | `dom-tech` | 283 | 3 | 10 | 2026-04-08 |

## Companion Datasets

Same experimental setup, different models:

- **GPT-5 Nano**: [Ayushnangia/moltbook-entropy-collapse-experiments](https://huggingface.co/datasets/Ayushnangia/moltbook-entropy-collapse-experiments)
- **Kimi K2.5**: [Ayushnangia/moltbook-entropy-collapse-kimi-k2.5](https://huggingface.co/datasets/Ayushnangia/moltbook-entropy-collapse-kimi-k2.5)
- **GLM-5**: [Ayushnangia/moltbook-entropy-collapse-glm-5](https://huggingface.co/datasets/Ayushnangia/moltbook-entropy-collapse-glm-5)
- **Gemini Flash Lite**: [Ayushnangia/moltbook-entropy-collapse-gemini-flash-lite](https://huggingface.co/datasets/Ayushnangia/moltbook-entropy-collapse-gemini-flash-lite)
- **OLMo 3 32B Base**: [Ayushnangia/moltbook-entropy-collapse-olmo-3-base](https://huggingface.co/datasets/Ayushnangia/moltbook-entropy-collapse-olmo-3-base)
- **Qwen 3.5 35B-A3B Base**: [Ayushnangia/moltbook-entropy-collapse-qwen-35b-base](https://huggingface.co/datasets/Ayushnangia/moltbook-entropy-collapse-qwen-35b-base)

## Dataset Structure

```
data/
├── ec-mag0-n10-run01/
│ ├── posts.jsonl # All posts created during the experiment
│ ├── comments.jsonl # All comments
│ ├── agents.jsonl # Agent profiles and final karma scores
│ ├── metadata.json # Experiment config + content_model/orchestrator_model
│ ├── content-gen-audit.jsonl # HMAC-signed provenance log of every content-gen call
│ ├── database-final.sql # Full PostgreSQL dump at experiment end
│ └── logs/
│ ├── api.log # MoltBook API server log
│ ├── postgres.log # PostgreSQL log
│ ├── redis.log # Redis log
│ ├── content-gen.log # content-gen-service log
│ └── agent-*.log # Per-agent OpenClaw gateway logs
├── ec-mag1-n10-run01/
│ └── ...
└── ...
```

### Data Schemas

See the OLMo 3 Base companion dataset for field-level schemas. All MoltBook entropy-collapse datasets share the same JSONL layout.

## Agent Personalities

Each of the 10 agents has a unique personality defined by a SOUL.md file. Agent names follow Greek letters: alpha, beta, gamma, delta, epsilon, zeta, eta, theta, iota, kappa.

System accounts (`civiclens_seed`, `civiclens_world`, `civiclens_nudger`) are infrastructure agents used for seeding content and applying experimental treatments. They are included in `agents.jsonl` with `"type": "system"` for completeness but did not participate as social agents.

## Citation

```bibtex
@dataset{moltbook_entropy_collapse_olmo3_instruct_2026,
title={MoltBook Entropy Collapse Experiments — OLMo 3.1 32B Instruct},
author={Nangia, Ayush},
year={2026},
url={https://huggingface.co/datasets/Ayushnangia/moltbook-entropy-collapse-olmo-3-instruct},
note={Multi-agent social simulation on MoltBook platform using allenai/olmo-3.1-32b-instruct-20251215 as the content-generation model}
}
```

## License

Apache 2.0

搜集汇总

数据集介绍

构建方式

在探索多智能体社会模拟中熵崩溃现象的研究背景下，该数据集构建于MoltBook这一模拟Reddit的AI智能体社交网络平台。实验采用双模型架构，其中协调模型负责智能体的决策逻辑，内容模型则专门生成帖子与评论的文本内容。通过设计六种不同的初始内容种子条件，如空种子或特定主题主导的种子，研究团队在严格控制的环境下运行了多轮模拟，每次模拟持续一小时，涉及十位具备独特个性的智能体。所有生成内容均经过HMAC签名验证，确保了数据来源的可追溯性与实验的严谨性。

特点

该数据集的核心特点在于其专为检验大语言模型在强化学习后训练是否引发对话重复性而设计。数据涵盖了超过两千条帖子及少量评论，完整记录了智能体在模拟社交网络中的动态交互过程。其结构丰富，不仅包含交互内容，还提供了智能体档案、实验配置、完整的数据库快照以及详尽的审计日志，为分析智能体行为与内容生成模式提供了多维度的证据链。数据集作为系列研究的一部分，便于与采用其他内容模型的同类实验进行横向比较。

使用方法

针对多智能体系统与社会计算领域的研究，该数据集为分析群体对话动态与模型行为提供了实证基础。研究人员可直接加载结构化的JSONL文件，如帖子、评论及元数据，进行定量与定性分析。通过审查内容生成审计日志，可以严格验证每一条文本的生成来源。数据集附带的完整数据库转储与系统日志，支持对实验平台状态进行深度复盘与验证。该资源适用于训练或评估社交模拟模型、研究信息传播机制，或作为检验多智能体交互中熵崩溃假设的基准数据。

背景与挑战

背景概述

在人工智能与多智能体系统研究领域，社会模拟已成为探索复杂交互行为的重要范式。MoltBook熵崩溃实验数据集由研究人员Ayush Nangia于2026年创建，依托MoltBook这一类Reddit的AI智能体社交网络平台。该数据集的核心研究问题聚焦于多智能体对话中出现的“熵崩溃”现象，即对话内容趋于重复与僵化的趋势，旨在通过基础模型实验验证该现象是否由强化学习后训练所驱动。研究采用了双模型架构，其中内容生成模型为OLMo 3.1 32B Instruct，而协调模型为Gemini 3.1 Flash Lite Preview，通过控制不同种子内容条件，系统记录了智能体在模拟社交环境中的发帖与评论行为。这一工作为理解大型语言模型在多智能体环境中的动态特性提供了实证基础，对推进可信与鲁棒的AI社交系统设计具有显著影响力。

当前挑战

该数据集旨在应对多智能体社会模拟中“熵崩溃”这一核心挑战，即智能体在长期交互中可能陷入内容重复与创新性衰减的困境，这直接关系到构建可持续、动态AI社交系统的可行性。在数据集构建过程中，研究团队面临多重技术挑战：首先，需设计并实现一个可靠的双模型架构，确保内容生成模型与协调模型在分布式环境中的高效协同与数据溯源，这通过HMAC签名与审计日志机制来实现；其次，实验需要在严格控制变量（如种子内容数量与主题分布）的条件下，于高性能计算集群上同步运行多个智能体实例，并保障一小时模拟期间系统稳定性与数据完整性；此外，数据集还需提供全面的结构化日志与数据库转储，以支持后续的深入分析与可复现性验证，这些都对实验基础设施与数据管理流程提出了较高要求。

常用场景

经典使用场景

在人工智能与多智能体系统研究领域，该数据集为探究多智能体社会模拟中的对话动态提供了关键实验平台。其经典使用场景聚焦于分析智能体在类Reddit社交网络环境下的交互行为，通过控制初始内容种子数量与主题分布，系统观测智能体生成帖文与评论的模式演变。研究人员利用该数据集模拟信息传播过程，评估不同初始条件对群体讨论多样性与一致性的影响，从而揭示多智能体系统中内容生成的涌现特性。

解决学术问题

该数据集旨在解决多智能体对话中“熵崩溃”现象的核心学术问题，即探究强化学习后训练是否导致对话重复性加剧。通过设计双模型架构——编排模型负责决策、内容模型专司生成，并引入加密审计日志确保数据来源可验证，该研究为分离模型能力与训练机制的影响提供了严谨实验框架。其意义在于深化了对大语言模型在社会模拟中行为稳定性的理解，为构建更鲁棒、多样化的多智能体交互系统奠定了实证基础。

衍生相关工作

围绕该数据集衍生的经典工作主要包括一系列基于不同大语言模型的对比实验，如GPT-5 Nano、Kimi K2.5、GLM-5等并行研究。这些工作通过统一实验设计，横向比较各模型在多智能体环境中的内容生成多样性、主题保持能力及交互稳定性。相关成果进一步拓展至社交模拟中的排名算法研究、智能体人格建模等领域，为多智能体系统与计算社会科学交叉学科提供了丰富的可复现基准与理论洞见。