Persona塑造LLM Agent在策略游戏中的行为

研究人员调查了Persona提示如何影响大型语言模型Agent在“分还是偷”游戏中的策略行为。他们使用了四种开源模型（Ministral-3-3B、phi4:14b、Gemma3:12b和Gemma4:e4b）与一个由GPT-4.1 mini驱动的虚拟人类进行交互，发现相互“分”的结果占主导地位，约占回合数的74%。模型选择显著影响了Agent的行为，phi4和Ministral-3-3B始终表现出合作性，而Gemma模型则展现出更多样的策略。像“亲社会”和“有原则”这样的Persona特质与合作相关，而“分析型”Persona则更容易出现剥削行为。 AI

影响 展示了Persona提示如何影响LLM Agent在策略互动中的行为，为开发更可预测和可控的AI Agent提供了见解。

排序理由 学术论文，详细介绍了LLM Agent行为的实验结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• Big Tech
• European Portuguese
• Gemma3:12b
• Gemma4:e4b
• GPT-4.1 mini
• Hugging Face
• Ministral-3-3B
• phi4:14b

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →