public goods game
PulseAugur coverage of public goods game — every cluster mentioning public goods game across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新模型联合预测大型语言模型的偏好和不完美决策
研究人员开发了一个名为偏好-行为模型（PBM）的新框架，以更好地理解大型语言模型（LLM）在复杂场景下如何做出决策。该模型结合了LLM的明确偏好和解释不完美效用最大化的机制，从而可以从观察到的选择中联合推断偏好和行为参数。在公共物品博弈和集体风险困境等社会困境中的实验表明，虽然标准的征询工具未能持续预测LLM的行为，但PBM在不同困境中均显示出预测价值。PBM还揭示，LLM的偏好通常与角色指令一致，但在不同维度、模型和特定博弈中可能存在分歧。
-
LLM智能体在战略任务中可能依赖统计外推而非推理
一项新的研究论文探讨了大型语言模型（LLM）智能体是通过真正的推理来改进决策，还是通过从交互历史中外推统计模式来改进决策。该研究使用了具有操纵过的历史反馈的多智能体游戏，以理性预期均衡基准来测试LLM智能体。研究结果表明，当历史中的统计模式被破坏时，上下文学习的好处会显著减弱，这表明在这些战略环境中，LLM智能体主要依赖统计外推而不是复杂的推理。
-
大型语言模型代理在利润与道德冲突时难以应对伦理困境
一篇新发表在arXiv上的论文探讨了大型语言模型（LLMs）在面临与经济激励相冲突的道德困境时的伦理行为。研究人员开发了一个名为Msim的模拟器，用于在诸如囚徒困境和公共物品博弈等场景中测试LLMs，结果发现没有模型能够始终如一地采取合乎伦理的行为。研究表明，博弈结构和道德框架是影响LLM行为的最重要因素，对推理过程的分析显示不同模型之间存在不同的动机。
-
博弈论研究：大语言模型宪法在对抗性压力下共同演化
研究人员探索了大语言模型宪法在对抗性环境中的共同演化，特别是在公共物品博弈和网格世界环境中。他们的研究表明，对抗性宪法共同演化是可行的，但需要耦合的适应度函数和足够的评估预算来诱导真正的对抗性压力。研究结果表明，在这些条件下，大语言模型派系可能不会发展出独特的对抗性策略，并且演化出的宪法可以作为未来合作式人工智能设计的可解释的红队测试工件。