Collective cooperation without individual fidelity in LLM agents
作者: Henrique Ferraz de Arruda, Carlos Gracia Lázaro, Alberto Aleta, Yamir Moreno
分类: physics.soc-ph, cs.AI
发布日期: 2026-06-29
💡 一句话要点
研究LLM代理在囚徒困境中的集体合作行为
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 囚徒困境 合作动态 个体行为异质性 社会系统模拟 决策规则
📋 核心要点
- 现有的LLM在模拟人类决策时，缺乏对个体行为异质性的准确捕捉，导致结果不一致。
- 论文通过直接的实验基准，比较LLM与人类在囚徒困境中的合作行为，探讨其宏观与微观行为的差异。
- 实验结果表明，LLM能够再现合作的宏观特征，但在个体层面上存在显著的决策规则差异。
📝 摘要（中文）
大型语言模型（LLMs）在社会系统模拟中作为代理的应用日益增多，但其行为是否能真实反映人类决策尚不明确。本文通过大规模网络化囚徒困境实验，将九种开放权重的LLM与人类参与者的数据进行比较。结果显示，所选模型能够再现合作动态的宏观特征，但在个体行为层面存在显著差异。这表明，LLM代理在集体结果上可能看似人类化，但其行为分布和机制却并不一致，验证LLM代理作为人类替代者需要更全面的比较。
🔬 方法详解
问题定义：本文旨在解决LLM在模拟人类决策时的行为一致性问题，尤其是个体行为的异质性不足和决策规则的偏差。
核心思路：通过将LLM与人类参与者在相同的囚徒困境实验中进行比较，分析其在合作动态上的表现，揭示宏观与微观行为的差异。
技术框架：研究采用了大规模网络化的囚徒困境实验，使用相同的互动协议、收益结构和网络拓扑，比较九种不同的LLM与人类数据。
关键创新：本研究的创新在于揭示了LLM在集体合作结果上与人类的相似性，尽管其个体行为和决策机制存在显著差异，这一宏观-微观分离的现象尚未被充分探讨。
关键设计：实验中设置了随机代理的比例，以改善微观层面的行为一致性，但并未完全消除决策规则的差异，显示出LLM在个体层面的局限性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所选LLM能够再现合作动态的宏观特征，如合作的早期下降和后期稳定，但在个体层面上低估了行为异质性。引入随机代理后，微观层面的某些一致性有所改善，但决策规则的差异依然存在。
🎯 应用场景
该研究为理解LLM在社会决策模拟中的应用提供了重要见解，尤其是在需要考虑个体差异和决策背景的场景中。未来，LLM可在社会科学、经济学和心理学等领域的模拟研究中发挥更大作用，帮助研究者更好地理解人类行为。
📄 摘要（原文）
Large language models (LLMs) are increasingly used as agents in simulations of social systems, yet it remains unclear when their behavior can be interpreted as a faithful proxy for human decision-making. Here we test LLM agents against a direct empirical benchmark: a large-scale networked Prisoner's Dilemma experiment with human participants. Using the same interaction protocol, payoff structure, and network topologies, we compare nine open-weight LLMs with the human data. The selected model reproduces several macro-level features of cooperation dynamics, including the early decline and later stabilization of cooperation. This aggregate agreement, however, does not extend uniformly to finer levels of behavior. LLM populations underestimate individual-level heterogeneity and generate conditional cooperation patterns that differ from those observed in humans. Adding a fraction of random agents improves some aspects of micro-level agreement, but does not remove the mismatch in decision rules. These findings reveal a macro--micro dissociation in LLM-based social agents: collective outcomes can appear human-like even when the underlying behavioral distributions and mechanisms are not. They suggest that validating LLM agents as human surrogates requires comparisons across aggregate dynamics, individual heterogeneity, and context-dependent decision rules, rather than outcome-level agreement alone.