AI代理在陪审团模拟中难以像人类一样进行审议

研究人员开发了一个新颖的基准，使用多代理框架来评估大型语言模型（LLM）的审议能力，该框架的灵感来源于电影《十二怒汉》。该研究测试了GPT-4o和Llama-4-Scout，发现大多数模拟都导致了悬而未决的陪审团（hung juries），表明存在锚定效应而非说服力。与GPT-4o相比，Llama-4-Scout表现出更大的审议灵活性和更高的投票变化次数，这表明强化学习从人类反馈（RLHF）对齐训练的强度，而不是原始能力，影响了这种灵活性。 AI

影响 这项研究表明，当前的LLM可能难以进行细致的审议和说服，这可能会影响它们在复杂决策场景中的应用。

排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了一种评估LLM的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• GPT-4o
• Llama-4-Scout
• RLHF

• 论文
• 其他

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