Crystal Qian Kehang Zhu John Horton Benjamin S. Manning Vivian Tsai et al

摘要

传统上由人类完成的协调任务，正越来越多地被交由自主智能体来执行。随着这一趋势的发展，评估不仅包括智能体在动态多智能体环境中的表现，更关键的是其协商过程本身，变得日益重要。此外，不同类型的智能体展现出各自的优势：传统的统计型智能体（如贝叶斯模型）在条件明确的情况下表现优异，而大型语言模型（LLMs）则具备跨情境的泛化能力。在本研究中，我们对人类（N = 216）、大型语言模型（GPT-4o、Gemini 1.5 Pro）以及贝叶斯智能体在动态协商场景中进行了直接对比，所有群体在完全相同的条件下开展实验，从而能够同时捕捉协商结果与行为动态。研究发现，贝叶斯智能体通过激进的优化策略实现了最高的总收益，但代价是频繁出现交易被拒绝的情况；而人类与大型语言模型虽在总体收益上表现相近，却采用了截然不同的行为策略：LLMs 倾向于采取保守、让步型的交易策略，交易拒绝率较低；而人类则表现出更具策略性、更愿意承担风险且更注重公平性的行为模式。因此，我们发现，尽管“性能对等”常被视为智能体评估的基准，但它可能掩盖了在行为机制与目标对齐方面的根本差异——而这些差异对于智能体在现实世界协调任务中的实际部署至关重要。