本文以Qwen 2.5系列模型为对象,通过360格部署参数析因实验,以及p-beauty contest和重复公共物品博弈,检验大语言模型能否在行为分布和战略过程上复现人类。研究发现,模型规模、指令微调和温度分别影响战略深度、初始行为与决策离散度,但量化对行为坐标没有系统性影响;模型更像按博弈类别静态检索level-k,而不会在多轮博弈中进行信念更新或反向归纳。单一模型设定无法复现人类跨多个推理层级的分布,只有混合异质化代理才能接近人类离散度。
| 部署参数 | 主要行为影响 | 关键统计结果 |
|---|---|---|
| 指令微调 | 提高初始贡献水平,并使比例下降更明显 | 开放水平β=-0.120,95% CI[-0.133,-0.107],p<0.001;base相对instruct的比例下降β=-0.211,p<0.001 |
| 模型规模 | 降低后期稳定贡献、提高比例下降和初始离散度 | 稳定水平β=-0.031,95% CI[-0.043,-0.018],p<0.001;比例下降β=+0.054,p<0.01;初始离散度β=+0.025,p<0.001 |
| 温度 | 扩大初始选择分散度,并提高比例下降 | 初始离散度β=+0.032,p<0.001;比例下降β=+0.208,95% CI[+0.168,+0.248],p<0.001 |
| 量化 | 在控制模型规模后没有系统性影响 | 四位与八位量化对各行为坐标均不显著,|β|≤0.005,p>0.3 |
| 竞争框架×规模 | 小模型在竞争框架下贡献更多,大模型则转向更低贡献 | 初始贡献交互项β=-0.041,95% CI[-0.055,-0.027],p<0.001 |
报告标题:《LLM Agents as Static Level-k Players in Behavioural Games:Design choices, distributional fidelity, and the reproduction of human strategic play》
作者:Po Han Teo,独立研究者,新加坡;文中提供了作者邮箱及 Google Scholar 页面。
发布日期:Working draft,June 2026。
研究主题:大型语言模型(LLM)能否作为行为博弈实验中的“合成受试者”,以及模型部署设置是否能够让其真实复现人类在博弈中的策略分布与动态决策过程。
报告的核心问题不是“LLM能否给出类似人类的平均答案”,而是进一步追问:LLM是否复现了产生人类行为分布的认知机制。作者认为,人类行为并非简单的随机噪声,而是由不同推理深度、条件合作、信念更新和有限理性共同产生的结构化混合分布;相比之下,LLM更像是从训练中检索出与某类博弈相关的固定 level-k 策略,并在整个博弈过程中保持该策略。,
研究使用两个行为博弈:一是单轮“p-beauty contest”,用于检验推理深度;二是带有惩罚机制的重复公共品博弈,用于检验合作、条件合作、跨轮次信念更新及终局倒推。研究围绕 Qwen 2.5 单一模型家族,改变模型规模、温度、量化方式、基础模型与指令微调版本以及提示框架,形成360个平衡实验单元。,
报告没有传统金融研究中的股票评级、目标价、DCF估值或可比公司估值,其“价值判断”主要是方法论层面的:LLM可以在有限意义上模拟某个策略深度,但单纯匹配均值或扩大采样温度,并不意味着复制了人类的战略过程。
报告指出,使用LLM替代人类受试者具有成本低、速度快、操作限制少等优势;同一模型通过不同身份设定和任务提示,可以生成一组选择,从而形成类似行为预测的分布。但这种方法依赖一个很强的前提,即模型在同一博弈环境中的选择分布足够接近人类真实分布。
作者强调,人类分布同时包含两个层面:第一是战略推理,例如对他人行为的预测和最佳回应;第二是结构化的有限理性偏差,例如不同个体使用不同的推理深度,或者根据他人历史贡献调整自身贡献。若LLM仅仅在一个固定策略附近产生随机波动,它可能在均值或方差上接近人类,但并没有复制人类行为的生成机制。,
第一条文献主线认为,经过人口统计特征、偏好和身份提示后,LLM能够在总体上生成类似人类的分布,包括信任、公平、合作、禀赋效应及社会偏好等行为。不过,相关模拟对提示词和抽样过程较为敏感,并且存在方向性偏差,例如模型可能比真实人类更合作、更利他。
第二条文献主线则认为,模型能力越强,行为越确定,选择分布越容易收缩到单一策略。报告列举的研究显示,更强模型在自利型博弈中表现良好,却可能在协调博弈中失败;推理型模型在公共品博弈中更加倾向搭便车,并向经典纳什均衡靠拢。这意味着模型能力提升未必提高“人类相似度”,反而可能使模型更理性、更接近均衡,而偏离真实人类行为。
作者认为既有研究存在三项不足:其一,许多研究跨厂商比较,难以区分模型规模、训练语料、架构和对齐方式的影响;其二,行为忠实度常以均值或元分析比例衡量,而不是比较完整分布;其三,模型与人类行为的差异虽然被记录,却没有充分解释这些差异究竟来自决策噪声,还是来自战略类型结构不同。
在二分之一或三分之二猜数博弈中,玩家选择一个数字,最接近其他人平均数乘以某个比例的人获胜。在三分之二版本中,若所有人都完全理性且彼此知道对方完全理性,纳什均衡是0;但现实中的人类通常不会直接选择0,而是从50这样的直觉锚点出发,逐步乘以三分之二。,
因此,level-0可以理解为直接选择50左右的非战略玩家,level-1选择约33.3,level-2选择约22.2,level-3选择约14.8。人类平均猜数约为36.7,说明人类总体上位于浅层推理区域,而非完全收敛到0。
公共品博弈中,每名玩家每轮拥有20个代币,将部分代币投入公共池。公共池中的每个代币对四名玩家各返还0.4,因此从个人静态收益看,投入1个代币的个人成本为1,而获得回报仅为0.4,理论上的占优策略是投入0。
但人类往往在第一轮贡献约一半禀赋,随后随着观察到他人不合作而逐步下降。这个现象被解释为公平偏好、条件合作和有限理性,而非单纯随机误差。, 在策略法中,条件合作斜率表示“当其他人的平均贡献提高时,自己愿意提高多少贡献”;人类条件合作斜率约为0.5至0.7。
报告区分两种level-k。静态 level-k是指模型一开始选择一个推理层级,并在整个多轮博弈中维持该层级;动态 level-k则会在观察他人行为后更新信念、调整策略,或在已知最后一轮时进行向后归纳。
作者提出的中心假设是,LLM的level-k不是针对当前局面实时计算出来的,而是按照博弈类别从训练中检索出来的。模型可能知道“公共品博弈通常需要合作”或“无限期博弈通常更有合作”,却不一定根据当前是第几轮、他人刚才做了什么、距离终局还有多远来重新计算策略。,
p-beauty contest采用18名玩家、数字范围0至100、目标为全体平均数的三分之二,使用单轮设置,因此研究对象是模型的开局猜数分布。
公共品博弈采用四人固定小组、十轮、每轮20个代币的设置;每个公共池代币对每位玩家返还0.4。模拟样本数量与原始人类研究相匹配,即公共品博弈使用24组四人小组,beauty contest使用30名玩家。,
作者将公共品博弈的第一轮视为“冷启动”状态,因为此时模型尚未观察到本轮以前的行为,因此可以与单轮beauty contest进行一定程度的比较。
实验围绕Qwen 2.5单一模型家族展开,以控制不同厂商之间训练语料、架构和对齐方式的混杂因素。主要因素包括模型规模、采样温度、量化、基础模型与指令模型以及提示框架,构成360个实验单元。,
模型与人类数据不进行个体一一匹配,而是在分布层面比较。研究使用两样本Kolmogorov-Smirnov统计量和Wasserstein距离衡量模型分布与人类分布的差异;公共品博弈进一步按每一轮计算分布距离。
KS距离关注两个累计分布之间的最大差异,越接近0表示分布越相似;Wasserstein距离可以直观理解为将一个分布“搬运”成另一个分布所需的平均距离,也同样是越低越接近。报告采用这两类指标,是为了避免只比较均值而忽略分布形状、多峰性和尾部差异。
表1报告了每项部署设置对公共品博弈四个行为坐标的标准化OLS部分效应,包括第一轮贡献、相对于第一轮贡献的比例下降、后期稳定贡献水平以及第一轮离散度;自变量已经标准化,括号内为标准误,星号表示统计显著性。
指令微调模型的开局贡献高于基础模型,这是开局水平上最大的效应,报告给出的系数为β=-0.120,95%置信区间为[-0.133,-0.107],p<0.001。系数正负取决于回归中基础模型和指令模型的编码方式,但实质方向是明确的:指令微调会让模型在第一轮更愿意贡献。
作者推测,指令微调可能植入一种合作或利他先验,使模型更容易检索到“应该为团队贡献”的行为模式。指令模型后期稳定水平也略高,但其比例下降幅度反而更大,基础模型与指令模型之间的下降差异系数为-0.211,p<0.001。这说明对齐主要影响模型“从哪里开始”,而不一定改变其跨轮次动态;即使指令模型初始更合作,它仍没有复制人类持续下降的真实轨迹。
模型规模提高会降低后期稳定贡献水平,β=-0.031,95%置信区间[-0.043,-0.018],p<0.001,并提高比例下降,β=0.054,p<0.01。这支持“规模提升会增强战略深度”的假设,因为较大模型更接近公共品博弈中的自由搭便车方向。
但规模对第一轮平均贡献没有显著影响,p=0.13;它却显著扩大第一轮离散度,β=0.025,p<0.001。这形成一个重要区分:模型规模影响的主要是后续策略轨迹与行为离散程度,而不是冷启动时的平均开局水平。
提高温度会扩大第一轮贡献的离散度,β=0.032,p<0.001,这符合温度增加采样随机性的直觉。温度还显著提高比例下降,β=0.208,95%置信区间[0.168,0.248],p<0.001;后期稳定水平的影响较弱,仅为β=-0.013,p=0.045,属于边界显著。
因此,温度不仅造成开局数值噪声,也会改变贡献轨迹,但报告认为这种波动主要是“单一行为模式周围的决策噪声”,而不是人类那种由多个战略类型混合形成的结构化异质性。,
在控制模型规模后,四位和八位量化对各行为坐标都没有统计显著影响,所有绝对系数不超过0.005,p>0.3。小模型在四位量化下曾出现向均衡点塌缩的现象,但随着规模增大该现象消失,因此作者认为这一现象更可能来自规模,而非量化本身。
不过,报告也承认量化并非在所有局部设置中完全无影响,3B模型存在量化相关的分布塌缩,因此量化可以视为总体均值层面的“扰动参数”,但在小模型或特殊配置下仍需谨慎。
提示框架本身没有显著主效应,但竞争性框架与模型规模之间存在显著交互,β=-0.041,95%置信区间[-0.055,-0.027],p<0.001;合作框架与规模交互不显著,p=0.69。
具体而言,小模型在竞争性框架下反而贡献更多,大模型则在竞争性框架下贡献更少,更接近纳什方向。作者将此解释为大模型更能理解“竞争”这一语境标签,并据此调整行为。
图1展示了温度t=0.7时,不同模型规模在beauty contest中的猜数直方图,红色虚线是人类均值36.7,灰色虚线标出50、44.4、33、22和0等level-k锚点。
图像的核心信息是:每个模型规模通常集中在一个或两个特定数字附近,而人类分布则跨越多个level-k锚点,并呈现明显的多峰结构。0.5B模型的主要质量集中在约50附近,同时在较低或较高位置有少量质量;1.5B模型主要位于约33和50之间;7B模型集中在33至44附近;32B模型则高度集中在约44.4附近。,
3B模型在图中几乎塌缩到0附近,但正文指出这主要是Q4量化伪影;在Q8下,3B的平均值约为44.51,在fp16下约为39.16。32B模型在所有温度下都几乎固定为44.44,标准差约为0.0014。因此,单看图像容易得出“规模越大越接近0”的简单结论,但报告实际上指出该关系在32B处不再单调,且3B的异常主要与量化配置相关。
从人类行为角度看,红色人类均值36.7落在约22至33的低层级集群与更高数字集群之间,均值本身并不代表一个真实存在的单一人类策略类型。LLM若集中于一个数字,即使均值恰好接近36.7,也无法复制人类分布的多峰结构。
图2比较单一模型配置、混合多个异质配置以及人类样本的相对离散度,纵轴是标准差除以取值范围。
单一配置的相对离散度为0.109,混合异质模型配置后提高至0.179,而人类为0.200。图表说明,改变模型规模、温度、对齐方式、量化和提示框架,并将不同配置组合成一个合成群体,可以显著扩大分布范围;但0.179仍未完全达到人类0.200。,
这支持作者的一个关键方法论结论:人类分布的宽度应通过“主体之间的差异”来构造,而不是仅通过提高单个主体的采样温度来制造。温度扩散的是单个模式周围的噪声,而异质配置混合则可以在不同level-k位置放置更多质量。,
图3展示不同模型规模与人类公共品博弈分布之间的平均KS距离,理想的完全匹配位置是0。
图中没有任何规模接近0,说明无论模型大小如何,模型分布都不能忠实复制人类分布。视觉上,0.5B约为0.41、1.5B约为0.52、2.5B约为0.43、3B约为0.50、7B约为0.58、14B约为0.41、32B约为0.38,32B在图中相对最低但仍明显远离完全匹配。
这里存在一个需要审慎指出的内部不一致:正文说所有规模的KS距离大致处于0.40至0.52之间,但图3的7B点视觉上接近0.58,超出了正文所述范围。, 这可能来自图表绘制、取值口径或文字概括误差,报告没有进一步解释,因此不宜把0.40至0.52视为完全精确的范围。
在beauty contest中,除3B和32B外,模型规模提高总体上会使猜数下降,意味着模型沿着更高level-k方向移动;在温度0.5、0.7和1.0下,该单调关系具有统计支持,精确单侧p=0.042。
公共品博弈中,作者使用条件合作斜率衡量策略深度。表2中的斜率显示,1.5B约为0.12至0.23,7B约为0.25至0.34,32B约为0.47至0.70;32B进入人类条件合作区间0.5至0.7,而小模型对他人贡献变化的回应较弱。
表2的测量方式是:让模型面对其他人平均贡献从0到20、每隔2个代币的11个网格点,每个点重复20次,再对模型最佳回应进行OLS回归。这比仅观察实际博弈轨迹更能区分“模型是否具备条件回应函数”和“模型是否在实际多轮过程中使用该函数”。
表3按模型规模汇总KS距离、Wasserstein距离、贡献衰减斜率以及相对于人类斜率的差距。模型单元在温度、对齐、量化和提示框架上进行合并,指标按第1至第10轮平均。
人类贡献斜率约为每轮下降0.91个代币,而模型中最陡的下降只有每轮下降0.63个代币,且少数出现下降的单元主要是竞争框架下的3B小模型伪影。更重要的是,大多数模型贡献轨迹不是人类式的下降,而是持平甚至上升,因此模型即使具有一定的level-1条件最佳回应能力,也没有在跨轮次中更新对他人的信念。
这构成对H2“静态策略”假设的支持:模型的最佳回应函数存在,但没有被动态地嵌入多轮历史中。换言之,模型可以回答“如果别人平均贡献较高,我是否应该贡献更多”,却不会在实际博弈进行时依据前几轮真实行为持续修正策略。,
在机制研究中,作者比较了固定十轮、无限期且每轮以0.8概率继续以及不说明期限的公共品博弈。,
32B指令模型在无限期设置下比有限期设置贡献更多,跨温度差异约为1.8至3.3个代币,这符合重复博弈“民间定理”关于无限期关系有助于维持合作的预测。但较小模型以及所有规模的基础模型在两种期限之间基本保持不变,说明它们没有真正根据博弈期限进行动态计算。
已知最后一轮时,经典纳什逻辑应通过向后归纳推导出最后一轮背叛或零贡献;人类通常表现为不完全但可见的最终轮下降。然而,即使提示明确说明“这是最后一轮”,32B模型除一次异常观测外仍维持原有贡献水平。, 因此模型表现出对“无限期/有限期”这一全局类别标签的敏感性,却不关注当前具体处于第几轮,也没有执行终局倒推。
报告将这一结果与某些更强前沿模型在最后一轮出现背叛的研究区分开来,认为后者可能代表超过本文本地模型规模上限后的能力现象,而不是对本文结果的直接否定。
惩罚条件不是主体结果的一部分,因为作者认为它主要反映惩罚制度本身,而不直接反映level-k参数。,
在人类研究中,引入惩罚后最终轮贡献大约从3.0提高到15.2,增加约12个代币;LLM中却出现相反结果,惩罚条件相对于无惩罚条件使最终轮贡献下降约0.25至2.32个代币。
表B1因此说明,模型没有学会把惩罚制度作为维持合作的可信威胁,反而可能把惩罚的成本及其冲突含义转化为较低合作。
对“受到的惩罚”与自身贡献进行回归后,1.5B、7B和14B的斜率分别约为0.62、0.54和0.41,意味着贡献越高的玩家越容易受到惩罚,这是一种反社会惩罚。3B的斜率接近0,32B则反转为-0.25,开始更多惩罚低贡献者,因此该关系并不随规模单调变化。
表B2还报告了报复相关系数,即本轮受到惩罚与下一轮实施惩罚之间的相关性。所有规模的相关性都接近0,约在-0.13至+0.12之间,说明模型没有形成“我上一轮被谁惩罚,所以这一轮反过来惩罚谁”的历史性报复计算。
更具启发性的是,最明显的反社会惩罚模式在第一轮就已出现,此时模型还没有经历任何惩罚历史;部分模型的第一轮目标斜率超过1.0,表明它们可能直接把最高贡献者视为显眼目标,而不是根据动态历史形成报复策略。
研究保持惩罚的经济支付结构不变,只替换“punishment”“deduction”“fee”“points”等词语,以检验语言标签的语义效应。,
表B3没有显示跨规模稳定的措辞排序。“punishment”这一带有负面情绪色彩的词并没有一致地降低贡献,在部分规模下甚至对应四种措辞中最高的贡献。因此,报告将惩罚条件下合作下降主要归因于惩罚的经济成本,而不是标签的情感内涵。
但惩罚结果存在重要数据质量限制:惩罚决策以自由文本返回,解析器无法提取数字时会将其错误地视为0,因此惩罚绝对水平只能被视为下限;相对性的目标斜率和报复相关性受影响较小。
报告提出六项假设:
实证结果总体上支持H1至H6,尤其支持H2和H3。模型规模改变策略深度,指令微调改变开局合作程度,温度改变噪声和分散程度,量化总体无系统效应;但是没有任何配置恢复人类式的跨轮贡献下降或最后一轮倒推。,
研究只使用Qwen 2.5单一模型家族,因此规模效应可能与该家族的架构或训练语料特征混合,不能直接推广到所有LLM。作者也明确承认,需要跨模型家族的比较,才能更有把握地确认观察到的是普遍的规模效应,而不是Qwen特有现象。
研究只使用一个单轮推理博弈和一个重复社会困境博弈,虽然两者分别代表推理深度与合作,但博弈期限与博弈价值取向同时变化,无法完全区分“重复性”与“合作/竞争性质”的独立贡献。
人类地面真值来自已发表研究,而非新招募样本,因此研究能够固定比较目标,却不能进行更细粒度的个体匹配,也不能充分分析人类多峰比例和样本差异。
“静态、按类别检索的level-k玩家”是行为层面的描述,而不是对模型内部神经计算过程的直接证明。模型可能通过复杂的隐性机制产生相同的行为表象;因此,该结论适合作为行为刻画,而不应被理解为已经揭示了模型内部真正的计算路径。
回归结果使用标准化系数,读者不能直接把β值解释成若干代币的变化;同时,一些交互效应和局部量化伪影表明,平均效应不等于所有配置下均无影响。, 此外,图3的视觉KS值与正文所述0.40至0.52范围存在潜在不一致,建议作者提供原始数据或明确图表数值口径。,
这份报告的最重要结论是:LLM在行为博弈中可以表现出某种程度的战略层级,但不能因此推断其复制了人类的战略过程。模型规模能够使beauty contest猜数沿着level-k阶梯移动,也能使公共品博弈中的条件合作斜率提高;指令微调主要改变模型开局的合作水平,温度主要制造单一模式周围的随机扩散,量化在总体均值上基本不起系统作用。, ,
图1显示,单个模型配置通常集中于一个或两个策略锚点,而人类跨越多个锚点并呈多峰分布;图2进一步证明,只有将不同规模、温度、对齐方式和框架的模型组合起来,才能把离散度从0.109提高到0.179,接近但仍低于人类的0.200。, 图3则表明,没有任何单一模型规模能在公共品博弈中实现接近0的KS距离。
因此,作者最终将LLM刻画为“静态、按类别检索的level-k玩家”:它能够检索与博弈类别相关的策略层级,却不会像人类一样在多轮过程中持续更新信念、根据他人贡献调整合作,或在明确最后一轮时执行向后归纳。,
从应用角度看,研究并不否定使用LLM作为合成受试者,而是提出了更严格的使用条件:研究者必须显式构造异质的合成主体群体,不能仅凭一个模型、一个温度或一个平均值就宣称实现了人类行为复制。均值相似不等于战略机制相似,分布相似也不必然意味着动态过程相似;这是全文对行为经济学实验和LLM替代人类受试者最核心的警示。
2606.27845.pdf