English(EN) High Volatility and Action Bias Distinguish LLMs from Humans in Group Coordination

大型语言模型与人类：群体任务中的协调差距揭示

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-02 04:00

一篇新研究论文发布在arXiv上，探讨了大型语言模型（LLMs）与人类在群体任务中的协调策略。该研究题为“高波动性和行动偏见使大型语言模型在群体协调中区别于人类”，使用了一种“群体二分搜索”游戏，参与者共同目标是达到一个目标数字。研究结果表明，与人类会随着时间稳定其行为不同，大型语言模型常常难以适应并表现出过度的切换，阻碍了群体的收敛。研究还表明，更丰富的反馈对人类比对大型语言模型更有益，并且GRPO可以帮助缓解大型语言模型的切换问题。 AI

影响强调了大型语言模型和人类群体协调的差异，表明大型语言模型可能需要特定的训练或反馈机制来改善适应性协作。

排序理由研究论文发布在arXiv上，详细介绍了大型语言模型与人类群体协调的比较研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文发布在arXiv上，详细介绍了大型语言模型与人类群体协调的比较研究。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Sahaj Singh Maini, Robert L. Goldstone, Zoran Tiganj · 2026-10-02 04:00

高波动性和行动偏见使大型语言模型在群体协调中区别于人类

arXiv:2604.02578v2 Announce Type: replace-cross Abstract: Humans exhibit remarkable abilities to coordinate in groups. As large language models (LLMs) become more capable, it remains an open question whether they can demonstrate comparable adaptive coordination and whether they u…

本文如何被排名

报道来源 [1]

高波动性和行动偏见使大型语言模型在群体协调中区别于人类

相关实体

相关话题