大语言模型会为景观额外付费吗？从主观选择推断支付意愿

随着大语言模型（LLM）日益被部署于旅行助手和购买支持等应用，它们常需要在不存在客观正确答案的情境中代表用户做出主观选择。我们在旅行助手情境中研究LLM决策：向模型呈现选择困境，并用多项logit模型分析其响应，以推导隐含支付意愿（WTP）估计。随后将这些WTP值与经济学文献中的人类基准值进行比较。除基线设置外，我们还考察模型行为在更现实条件下的变化，包括提供用户过往选择的信息以及基于人设的提示。结果表明，虽然能从较大LLM推导出有意义的WTP值，但它们在属性层面表现出系统性偏差。此外，它们总体上倾向于高估人类WTP，尤其当引入昂贵选项或商务导向人设时。以对较便宜选项的既有偏好为条件来约束模型，可得到更接近人类基准的估值。总体而言，我们的发现凸显了用LLM做主观决策支持的潜力与局限，并强调在实践中部署此类系统时审慎进行模型选择、提示设计与用户表征的重要性。