大语言模型中风险敏感决策的行为特征

随着大语言模型（LLM）越来越多地用于决策支持，理解它们在不确定性下的选择是否表现出稳定且可解释的行为规律至关重要。人类决策将相对持久的风险偏好与情境依赖的调整相结合，然而，在基于LLM的决策系统中是否能观察到类似的行为结构仍不清楚。在此，我们使用一个基于无限注德州扑克的可控多模型框架来研究这个问题，其中行为通过参与度（衡量对不确定机会的自愿参与）和主动性（衡量翻牌前的风险升级）来量化。在同质自博弈和异质混合模型交互中，前沿LLM表现出稳定的、特定于模型的风险概况，形成从保守到激进的决策风格谱系。这些概况在对手构成变化时基本保持稳健，而最保守和最激进的模型在混合环境中分歧更大。在全球风险压力和个人资源约束下，模型以结构化但异质的方式适应，范围从广泛的行为收缩到选择性降级和近乎不变的行为。这些发现表明，LLM不仅在基线风险倾向上存在差异，而且在它们响应的风险信号和调整的灵活性方面也存在差异，为审计交互环境中风险敏感决策提供了行为基础。我们的代码公开于：https://github.com/XuankunRong/AgentTexasPoker。