MIT/斯坦福论文:单一特征画像就能让 LLM 更准模拟人类行为
sebkrier · x · 2026-11-05
MIT、斯坦福与 Google DeepMind 研究者发布论文《Designing Behavioral Profiles for Language Model Simulation of Out-of-Distribution Human Behavior》,系统研究「该给 LLM 什么人物信息才能模拟好人类行为」。
- 方法:从文献中提取候选行为特征,由 LLM 画像生成器从观察到的行为、消息和问卷中赋值,构建「行为画像」;再用另一个 LLM 基于画像模拟行为,通过前向特征选择,只在预测变好时增加特征。
- 评测:在 616 局公共物品博弈、144 局多方谈判博弈和 1,480 个广义 11-20 要钱实验设计上,验证新参与者、新实验设计下的表现。
- 结论:领先的单特征画像优于无画像和通用 persona;更多特征没有明显额外收益;跨博弈家族迁移画像收益不均,有时反而不如不用画像。
- 意义:把「选什么行为信息」变成模拟设计中可检验的部分,帮助研究者评估实验条件变化时哪些描述仍然有用。
「研究」频道最新
- 斯坦福论文拆解上下文学习电路：门控键值记忆与反近期偏差机制 — teortaxesTex · 2026-11-05
- Gym-Anything for Robotics：用编码智能体批量生成机器人物理仿真 — wellecks · 2026-11-05
- LeCun 转发新论文:柏拉图表征假说被证明,JEPA 少 42 倍样本达到同等对齐 — ylecun · 2026-11-05
- REINFORCE Zero:训练-推理不变性让异步 LLM RL 稳定跑满 2 万次更新 — teortaxesTex · 2026-11-05
- AI 研究复现从数周缩至 72 小时内，竞争成闭环速度之争 — BradPorter_ · 2026-11-05
- 伯克利 EAT 框架:多智能体逃出局部最优,GPU 核超 FlashInfer 1.2 倍 — burny_tech · 2026-11-05