高波动性与行动偏差区分了群体协调中 LLM 与人类
多智能体系统
2026-04-06 v1 人工智能
计算与语言
计算机科学与博弈论
摘要
人类展现出卓越的群体协调能力。随着大语言模型（LLMs）能力不断增强，它们是否也能展现出 comparable 的自适应协调能力，以及是否使用与人类相同的策略，仍是一个开放问题。为研究这一问题，我们比较了 LLM 与人类在共同利益博弈（不完全监控）中的表现：群体二分搜索。在这个 n 人博弈中，参与者需要协调行动以达成共同目标。玩家独立提交数值，集体求和以达到随机指定的目标数字。在没有直接通信的情况下，他们依赖群体反馈迭代调整提交，直至达到目标数字。我们的发现表明，与随时间适应并稳定行为的人类不同，LLM 往往无法在多次博弈中持续改进，且表现出过度切换，从而损害群体收敛。此外，更丰富的反馈（如数值误差幅度）对人类有显著益处，但对 LLM 影响甚微。总体而言，通过以人类基准和机制层面指标（包括反应性标度、切换动力学和跨博弈学习）为基础进行分析，我们指出了人类组与 LLM 组之间的差异，并提供了一个行为基础的诊断方法，以弥合协调差距。
引用
@article{arxiv.2604.02578,
title = {High Volatility and Action Bias Distinguish LLMs from Humans in Group Coordination},
author = {Sahaj Singh Maini and Robert L. Goldstone and Zoran Tiganj},
journal= {arXiv preprint arXiv:2604.02578},
year = {2026}
}