解码人的因素：面向战略预见的高保真行为预测

预测高风险环境中的人类决策仍是人工智能的核心挑战。尽管大语言模型（LLM）展现出强大的通用推理能力，它们往往难以生成一致的、个体特定的行为，尤其当准确预测依赖于心理特质与情境约束之间的复杂交互时。在此情境下，基于提示的方法可能很脆弱，表现出身份漂移，且利用日益细致的人物画像描述的能力有限。为解决这些局限，我们提出大行为模型（Large Behavioral Model, LBM），一个经过微调、能高保真预测个体策略选择的行为基础模型。LBM从瞬时的人物画像提示转向行为嵌入，以来自全面心理测量量表的结构化高维特质画像作为条件。LBM在一个把稳定倾向、动机状态与情境约束同观测选择相联接的专有数据集上训练，学会将丰富的心理画像映射到多样策略困境中的离散行动。在留出场景评估中，LBM微调相对未经适配的Llama-3.1-8B-Instruct骨干改进了行为预测，并在以大五人格特质为条件时与前沿基线表现相当。此外，我们发现基于提示的基线存在复杂度上限，而LBM能持续受益于日益密集的特质画像，随着提供更多特质维度性能不断提升。这些结果共同确立LBM为高保真行为仿真的可扩展方法，可支持战略预见、谈判分析、认知安全与决策支持等应用。