CoCoEval

新框架揭示LLM难以模拟不一致的人类行为

一个名为CoCoEval的新评估框架已被开发出来，用于评估大型语言模型（LLMs）在模拟人类社交互动方面的能力，特别关注不一致和不合作行为。研究人员发现，当前的LLMs，如GPT-4.1、GPT-5.1和Claude Opus 4，表现出此类行为的频率远低于人类，并且提示工程和微调并不能可靠地弥合这一差距。该研究对LLMs作为真实人类社交动态代理的准确性提出了担忧。