为何更强大的模型可能带来更危险的系统：来自金融市场的LLM智能体实证研究

大语言模型（LLMs）正在被大规模部署于具有重大影响的现实系统中，如金融市场、内容审核和招聘。我们发现，提升单个模型能力可能反而损害系统级结果，而非改善。我们假设，共享训练和架构会导致更强大的LLM智能体行为更趋同，产生相关性动作而无法实现去风险化。我们构建了一个通用框架，揭示这种相关性如何导致不可分散的风险底限，并通过一个基于智能体的金融市场模拟实验，使用不同通用能力的LLM交易智能体验证该框架的预测。结果表明：（1）前沿LLM表现出显著相关行为，且随能力提升而增强；（2）当其共享推理准确时，增加智能体参与可降低市场整体风险；（3）当智能体共享同一错误信息环境时，这种相关行为反而成为系统性风险。上述结果揭示了一个能力悖论：提升单个模型能力并不必然带来更优的系统级结果。该动态是否在其他领域存在，仍需进一步实证检验。