LLMs as Strategic Actors: Behavioral Alignment, Risk Calibration, and Argumentation Framing in Geopolitical Simulations
作者: Veronika Solopova, Viktoria Skorik, Maksym Tereshchenko, Alina Haidun, Ostap Vykhopen
分类: cs.CL, cs.AI, cs.CY
发布日期: 2026-03-02
💡 一句话要点
评估LLM在复杂地缘政治模拟中的战略行为与决策模式
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 地缘政治模拟 战略决策 风险评估 论证框架
📋 核心要点
- 现有研究对LLM在地缘政治模拟中的战略行为理解不足，尤其是在长期决策和策略演变方面。
- 该研究通过构建真实危机模拟场景，考察LLM在行动选择、风险评估和论证框架等方面的决策模式。
- 实验结果表明，LLM在初期决策中与人类相似，但长期来看会偏离，且倾向于合作而非对抗性策略。
📝 摘要（中文）
大型语言模型（LLM）越来越多地被用作战略决策环境中的智能体，但它们在结构化地缘政治模拟中的行为仍缺乏研究。本文评估了六个流行的最先进的LLM，并将结果与人类在四个真实危机模拟场景中的结果进行比较。这些场景要求模型选择预定义的行动，并为多轮决策提供理由。我们从行动一致性、通过所选行动的严重程度进行风险校准以及基于国际关系理论的论证框架等方面，将模型与人类进行比较。结果表明，模型在基础模拟轮次中近似于人类的决策模式，但随着时间的推移会产生分歧，表现出不同的行为特征和策略更新。所有模型的行动解释都表现出以稳定、协调和风险缓解为中心的强烈的规范-合作框架，而对抗性推理有限。
🔬 方法详解
问题定义：该论文旨在研究大型语言模型（LLM）在地缘政治模拟环境中的战略决策能力。现有方法缺乏对LLM在复杂、动态环境下的行为模式的深入理解，尤其是在长期决策和策略演变方面。此外，现有研究较少关注LLM决策的风险校准和论证框架，以及它们与人类决策的差异。
核心思路：论文的核心思路是将LLM作为智能体置于真实的地缘政治危机模拟环境中，通过观察其行动选择、风险评估和论证框架，来评估其战略决策能力。通过与人类决策进行对比，揭示LLM在战略行为方面的优势和局限性。这种方法能够更全面地了解LLM在复杂战略环境中的行为模式。
技术框架：该研究的技术框架包括以下几个主要阶段： 1. 场景构建：构建四个真实的地缘政治危机模拟场景。 2. 模型选择：选择六个最先进的LLM作为智能体。 3. 行动选择：要求LLM在每个模拟轮次中选择预定义的行动。 4. 决策解释：要求LLM为所选行动提供理由。 5. 行为分析：分析LLM的行动一致性、风险校准和论证框架。 6. 对比分析：将LLM的决策与人类决策进行对比。
关键创新：该研究的关键创新在于： 1. 长期决策分析：关注LLM在多轮模拟中的决策演变，而不仅仅是单轮决策。 2. 风险校准评估：通过分析LLM所选行动的严重程度来评估其风险偏好。 3. 论证框架分析：基于国际关系理论分析LLM的论证框架，揭示其决策背后的逻辑。 4. 人类对比研究：通过与人类决策进行对比，更全面地了解LLM的战略行为。
关键设计：关键设计包括： 1. 危机场景设计：选择具有代表性的真实地缘政治危机场景，确保模拟的真实性和复杂性。 2. 行动选项设计：设计预定义的行动选项，涵盖不同的风险级别和战略方向。 3. 评估指标设计：设计行动一致性、风险校准和论证框架等评估指标，全面评估LLM的战略决策能力。 4. 模型参数设置：对LLM进行适当的参数调整，以确保其在模拟环境中的最佳表现。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LLM在基础模拟轮次中近似于人类的决策模式，但在长期决策中会产生分歧。LLM倾向于选择风险较低的行动，并且其论证框架主要集中在稳定、协调和风险缓解上，对抗性推理较少。不同LLM表现出不同的行为特征和策略更新模式，表明其战略决策能力存在差异。
🎯 应用场景
该研究成果可应用于开发更智能的地缘政治风险评估工具，辅助决策者进行战略规划和危机管理。此外，该研究还可以用于训练LLM，使其更好地理解和应对复杂战略环境，从而提高其在实际应用中的决策能力。未来，该研究有望推动LLM在地缘政治、军事战略等领域的应用。
📄 摘要（原文）
Large language models (LLMs) are increasingly proposed as agents in strategic decision environments, yet their behavior in structured geopolitical simulations remains under-researched. We evaluate six popular state-of-the-art LLMs alongside results from human results across four real-world crisis simulation scenarios, requiring models to select predefined actions and justify their decisions across multiple rounds. We compare models to humans in action alignment, risk calibration through chosen actions' severity, and argumentative framing grounded in international relations theory. Results show that models approximate human decision patterns in base simulation rounds but diverge over time, displaying distinct behavioural profiles and strategy updates. LLM explanations for chosen actions across all models exhibit a strong normative-cooperative framing centered on stability, coordination, and risk mitigation, with limited adversarial reasoning.