论文
大语言模型风险敏感决策的行为签名
Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models
摘要
随着大语言模型（LLM）日益用于决策支持，理解其在不确定性下的选择是否呈现稳定、可解读的行为规律变得重要。人类决策结合相对持久的风险偏好与情境依赖的调整，但能否在LLM决策系统中观察到类似行为结构仍不清楚。我们以无限注德州扑克为基础的受控多模型框架考察该问题：行为由参与度（度量对不确定机会的自愿参与）与先动性（度量翻牌前风险升级）量化。在同构自博弈与异构混合模型交互中：前沿LLM呈现稳定、模型专属的风险画像，形成从保守到激进的决策风格谱系；这些画像在对手构成变化下大体稳健，而最保守与最激进的模型在混合设定中进一步分化。在全局风险压力与个人资源约束下，模型以结构化但异质的方式适应：从广泛的行为收缩，到选择性降档，再到近乎不变的行为。发现表明：LLM不仅基线风险气质不同，其响应的风险信号与调整的灵活性也不同——为交互设定中审计风险敏感决策提供行为基础。代码公开于https://github.com/XuankunRong/AgentTexasPoker。
