捕获 (DH) 差距！推理型与对话型大语言模型在风险选择上的差异
人工智能
2026-04-22 v2
摘要
大型语言模型 (LLM) 作为决策支持系统或代理式工作流程正在迅速改变数字生态系统。然而，关于 LLM 在不确定性下的决策方式仍有所不了解。我们沿着两个维度研究 LLM 的风险选择：(1) 方案表征（基于显式表征或结果历史），和 (2) 决策依据（解释）。本研究涉及 20 个前沿且开放的 LLM，并配以匹配的人类实验，提供一个参考点；同时，一个期望收益最大化的理性代理模型提供另一参考点。我们发现 LLM 可聚为两类：推理模型 (RMs) 和对话模型 (CMs)。RMs 倾向于理性行为，对方案顺序、盈亏框定以及解释均不敏感，无论方案是显式呈现还是通过结果历史呈现其行为都类似。CMs 则显著不够理性，稍显人性化，对方案顺序、框定和解释都敏感，并表现出显著的描述-历史差距。开放 LLM 的配对比较表明，推理模型与对话模型的关键区别在于是否进行数学推理训练。
引用
@article{arxiv.2602.15173,
title = {Mind the (DH) Gap! A Contrast in Risky Choices Between Reasoning and Conversational LLMs},
author = {Luise Ge and Yongyan Zhang and Yevgeniy Vorobeychik},
journal= {arXiv preprint arXiv:2602.15173},
year = {2026}
}