超越纳什均衡：大型语言模型与人类在战略决策中的有限理性

大型语言模型越来越多地应用于战略决策场景，但研究表明，它们与人类一样，常常偏离完全理性。在本研究中，我们使用直接改编自行为博弈论研究的实验范式，对 LLMs 和人类进行了对比。我们聚焦于两种被广泛研究的战略博弈——石头剪刀布和囚徒困境，这两种博弈因揭示人类受试者在理性博弈中的系统性偏离而广为人知。通过将 LLMs 置于相同的实验条件下，我们评估其行为是否表现出人类的有限理性特征。我们的发现表明，LLMs 重现了人类熟悉的启发式策略，如基于结果的策略切换以及在可能进行未来交互时增加合作，但它们更僵化地应用这些规则，并对游戏环境的动态变化表现出较弱的敏感性。模型层面的分析揭示了战略行为中独特的架构特征，即使推理模型有时也难以在自适应情境中找到有效策略。这些结果表明，当前 LLMs 仅捕捉到了人类式有限理性的部分形式，并强调了需要训练方法来鼓励灵活的对手建模和更强的上下文感知能力。