arXiv cs.AI· Luhan Mikaelson, Robert Adragna, Emmett Brosowsky, Hayley Clatterbuck·· 1 天前AI 评分38
AI 风险行为基准测试：评估 LLM 的风险偏好与一致性
Benchmarking AI risk behaviors
AI 导读
研究团队构建了一套评估 LLM 风险倾向的工具包，可测量模型在不同情境下的风险厌恶或风险容忍程度，以及行为的稳定性与一致性，并支持后续接入新的风险偏好评测。结果显示，2026 年的 SOTA 模型比旧模型更稳定、更一致、更风险中性，原因在于新模型更倾向以期望值最大化作为决策方式。
正文 · AI 翻译
摘要：我们评估了 LLM 在一系列情境和任务需求下的风险倾向。我们评估模型在不同条件下风险厌恶或风险容忍的程度，以及其行为在不同条件下的稳定性和一致性。我们提出了一套用于构建模型风险画像的工具包，可用于预测模型行为，并可调整以纳入对风险倾向的新评估。我们还考察了这些属性在不同模型代际和系列之间的变化。我们观察到，2026 年的最先进模型往往比旧模型更稳定、更一致，也更风险中性。这些趋势似乎相互关联；较新的模型更稳定、更一致，是因为它们更可能将期望值最大化作为决策程序。
| 学科： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.16318 [cs.AI] |
| （或本版本的 arXiv:2611.16318v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.16318 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Luhan Mikaelson [查看邮箱]
[v1]
2026 年 11 月 12 日星期四 05:27:44 UTC（1,562 KB）
来源：arXiv cs.AI · arxiv.org