带不稳定交互推理的社会偏好：大语言模型在经济信任游戏中的表现

尽管大语言模型（LLM）在理解人类语言方面展现出惊人能力，但本研究探索了它们如何将这种理解转化为捕捉特定现实人类交互本质的社会交换情境。将将 ChatGPT-4、Claude 和 Bard 三个 LLM 置于经济信任游戏中，在信任与 reciprocity 之间平衡自身利益的情境中做出决策，从而揭示其社会偏好和交互推理能力。我们的研究表明，LLM 偏离纯粹的自我利益，表现出信任和 reciprocity，即使未被要求采用特定人格。 在最简单的单次互动中，LLM 模拟了人类玩家在此类游戏开始时进行信任的行为方式。在涉及信任偿付或多轮互动的情境中，出现更大的人类-机器差异，其中决策受社会偏好和交互推理的双重影响。当被要求采用如自私或不自私玩家的人格时，LLM 的响应差异显著，人格影响的幅度超过模型间或游戏类型的差异。在不自私或中性人格下，ChatGPT-4 的响应类似于最高水平的信任和 reciprocity，超过了人类、Claude 和 Bard。Claude 和 Bard 显示出时常超过也时常低于人类选择的信任和 reciprocity 水平。当给定自私人格时，所有 LLM 都表现出低于人类的信任和 reciprocity。对同行行为或游戏机制变化的交互推理在 LLM 响应中似乎是随机而非稳定可复现的特征，尽管在 ChatGPT-4 在自私或不自私人格下作答时观察到一些改进。