新的提示方法改进了LLM对人类决策模拟

研究人员开发了一种名为“方程到行为提示”（Equation-to-Behavior Prompting）的新方法，用于指导大型语言模型（LLM）模拟多样化的人类决策行为，超越了简单的贝叶斯更新。该方法在说服博弈中进行了测试，结果表明，较大的模型可以通过提示来近似指定的认知模型。对于较小的模型，一种名为“方程到行为强化学习”（Equation-to-Behavior RL）的技术显著减少了信念误差，尤其是在分布外场景中。与仅在贝叶斯模型上进行训练相比，使用这些多样化的决策者模拟来训练较小的模型，可以提高其平均信念变化，即使在与GPT-5-mini等模型交互时也是如此。 AI

影响 通过实现更真实的多样化人类决策模拟，增强了LLM的训练和评估。

排序理由 该集群包含一篇学术论文，详细介绍了一种改进LLM人类行为模拟的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Bayesian updating
• Equation-to-Behavior Prompting
• Equation-to-Behavior RL
• GPT-5-mini
• Language Models
• motivated reasoning

• 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 →