EQ-Negotiator:动态情感角色赋能小型语言模型实现可边缘部署的信贷谈判
计算与语言
2026-03-27 v3
摘要
大型语言模型(LLMs)在自动谈判中的部署树立了高性能基准,但其计算成本和数据隐私需求使其难以适用于许多隐私敏感、设备端的应用场景,如移动助手、具身AI智能体或私人客户交互。 小型语言模型(SLMs)虽然提供了一种实用的替代方案,但在扮演情感复杂的角色(尤其是信贷谈判场景)时,与LLMs相比存在显著的性能差距。本文提出EQ-Negotiator,一个利用情感角色弥合这一能力差距的新颖框架。其核心是一个推理系统,将博弈论与隐马尔可夫模型(HMM)相结合,在线学习并追踪债务人的情感状态,且无需预训练。这使得EQ-Negotiator能够为SLMs配备战略智能,以应对操纵行为,同时缓和冲突并维护伦理标准。通过在多样化信贷谈判场景(包括作弊、威胁和扮演受害者等对抗性债务人策略)中进行广泛的智能体间仿真,我们证明一个700亿参数的语言模型配合EQ-Negotiator,在债务回收率和谈判效率方面优于规模超过其10倍的基线LLMs。本工作将角色建模从描述性的人物画像推进到在隐私约束下运行的动态情感架构。此外,本文确立了在自动谈判中,战略性情感智能而非原始模型规模是成功的关键因素,为可在边缘运行的高效、合乎伦理且保护隐私的AI谈判者铺平了道路。
引用
@article{arxiv.2511.03370,
title = {EQ-Negotiator: Dynamic Emotional Personas Empower Small Language Models for Edge-Deployable Credit Negotiation},
author = {Yunbo Long and Yuhan Liu and Alexandra Brintrup},
journal= {arXiv preprint arXiv:2511.03370},
year = {2026}
}