面向资源分配的大语言模型：基于参与式预算推断偏好

大语言模型（LLM）日益被期望处理复杂决策任务，但其在结构化资源分配方面的能力仍未得到充分探索。评估其推理能力也面临数据污染和现有基准静态化的问题。我们提出一种双目的框架，将参与式预算（PB）用作（i）LLM 基于资源分配的实际场景，以及（ii）用于评估其推理能力的自适应基准。我们让 LLM 在可行性（例如预算）约束下选择项目子集，通过三种提示策略：贪婪选择、直接优化和受hill-climbing启发的精炼。我们将 LLM 的分配与以效用最大化为目标的 oracle 进行比较。有趣的是，我们还测试了 LLM 是否能从自然语言投票者输入或元数据中推断结构化偏好，而无需明确的投票。通过将基于推断偏好的分配与基于真实投票的分配进行比较，我们评估了 LLM 从开放式输入中提取偏好的能力。我们的结果凸显了提示设计的作用，并表明 LLM 具备处理非结构化输入的机制设计潜力。