Наприклад, у ситуації, проілюстрованій на малюнку вище, спільна послідовність жетонів може бути “проектною механізмом для”. Розподіл може бути [(“Large”, 0.8), (“Generative”, 0.2)] Для LLM агента 1, (“великий”, 1,0) для LLM агента 2 та (“генеративного”, 1,0) для LLM агента 3. Тіки можуть бути відповідно 1, 2 та 2. Можливим сукупним розподілом буде середнє значення розподілу, а саме [(“Large”, 0.56), (“Generative”, 0.44)]. Можливим вибором для платежів було б попросити кожного агента сплатити свою заявку, яка дозволить агентам здійснити 1, 2 та 2 відповідно.

Для нашого теоретичного аналізу цієї моделі (та можливий вибір функцій агрегації розподілу та функцій оплати), ми припускаємо, що агенти правдиво повідомляють про свої розподіли, але можуть бути стратегічними щодо своїх ставок. Ми вважаємо, що це реалістичне припущення, оскільки LLMS кодують переваги над вихідним текстом стисливим і не очевидним способом. Більше того, для того, щоб аукціон маркера матиме змогу агрегувати розподіл, нам потрібно мати (принаймні) деяку (мінімальну) інформацію про переваги агента від їх “бажаних” розподілів. Наш підхід тут полягає в тому, щоб припустити, що агенти мають (відомі) часткові замовлення на замовлення над розподілами. Тобто, ми припускаємо, що агенти можуть мати можливість класифікувати деякі, але не всі пари розподілів.