LLM 에이전트들은 점차 스스로 제품 목록을 작성하는 자율적인 상인으로서 행동하고 있으며, 경쟁 압력 속에서 판매를 위해 속성을 조작(fabricate)합니다. 정직하라는 지시가 있더라도, 모델 전반에 걸쳐 대다수의 목록에서 속성을 조작하는 현상이 나타납니다. 플랫폼의 명백한 해결책인 각 주장을 진실과 대조하여 검증하는 방식은 사용이 불가능합니다. 왜냐하면 플랫폼은 노이즈가 섞이고 편향된 불만 신호만을 관찰할 뿐, 실제 진실(ground truth)은 결코 알 수 없기 때문입니다. 우리는 불만 노이즈를 용인하는 데드밴드(deadband)와 평판 기반의 탐지 침식(detection erosion)에 대응하는 상태 의존적 심각도(state-dependent severity)를 갖춘 평판 페널티 메커니즘인 CARP를 설계했습니다. CARP는 제품 수준의 진실(ground truth)을 필요로 하지 않으며 전략적 게임(strategic gaming)에 대해 견고합니다. CARP는 정직한 판매자는 보호하면서 평점이 낮은 거짓말쟁이들의 판매량을 억제함으로써 소비자를 보호합니다. SPARC와 결합된 CARP는 진실에 접근하지 않고도 완전 정보 오라클(perfect-information oracle) 대비 소비자 후생 격차의 대부분을 해소합니다. 또한 우리가 비교한 정책들 중 가장 높은 후생을 달성합니다. 우리는 더 나아가 이러한 체감된 페널티가 byte-clean 코드 게이트 방식의 성찰 메커니즘인 SPARC를 통해 행동적으로 구속력을 갖게 됨을 보여줍니다. LLM 상인들은 거짓말의 비용이 없을 때는 속성을 조작하지만, 조작이 판매 손실로 이어질 때는 스스로를 억제하는데, 이는 준수(compliance)라기보다는 자기 이익에 따른 반응입니다. 우리는 이러한 차이가 페널티 게이트 방식의 자기 교정 추론(self-correction reasoning)에서 기인함을 추적하였으며, 신뢰 구간을 통해 모델 전반에 걸쳐 이러한 구속력이 나타남을 관찰했습니다.