對手建模並非策略：大語言模型談判者的侷限

在人工智慧領域，談判智慧一直是研究熱點。近期，一篇發表於arXiv的論文（編號2605.16575）對大型語言模型（LLM）在多屬性談判環境中的表現進行了深入探究。研究團隊由Romain Cosentino等四位作者組成，他們設計了一套受控實驗，旨在測試LLM代理能否不僅識別對手的偏好，還能將此資訊運用於戰略性的討價還價中。

實驗結果表明，當前的LLM代理確實能夠準確建立對手的偏好模型，甚至在推理的早期階段就能捕捉到這些資訊。然而，令人驚訝的是，這種能力並未顯著提升知情方的談判結果。逐輪分析揭示了背後的原因：代理雖然時常根據對手的價值觀做出回應，卻未能將這些回應與自己在高價值屬性上的收益同步。具體而言，賣家一方通常表現出更大的包容性，而在資訊不對稱的條件下，知情方往往會在自己高價值的屬性上做出讓步，導致補償不足。

由於代理未能利用底層的效用結構來獲取戰略優勢，最終達成的協議高度取決於表面的初始出價，而非實際的效用權重。研究人員還嘗試了一種干預措施：要求代理在提出報價之前明確陳述“讓步以換取互惠”的交易。雖然這一要求使得單個談判回合看起來更具策略性，但並未能提升最終協議的效率。

這項研究的重要性在於，它揭示了LLM在談判任務中的關鍵缺陷——建模不等於策略。儘管人工智慧在理解人類意圖方面取得了長足進步，但將這種理解轉化為實際行動，尤其是在涉及多輪互動和多維度利益的複雜談判中，仍然是巨大的挑戰。論文的發現為未來開發更具戰略眼光的AI談判系統提供了重要的參考方向。