arXiv cs.AI· Yu Liu, Wenwen Li, Yifan Dou, Guangnan Ye·· 2 天前AI 评分44
递归推理还是统计外推？多智能体相互依赖决策中的上下文学习
Recursive Reasoning or Statistical Extrapolation? In-Context Learning in Multi-Agent Interdependent Decision-Making
AI 导读
研究通过公共品博弈操纵历史反馈的统计结构，发现历史统计模式被破坏后，更长上下文带来的收益基本消失，决策质量退化至无上下文基线，且战略相互依赖越强退化越明显。结果表明此类战略环境中的上下文学习更符合统计外推而非战略推理。研究提出以理性预期均衡（REE）作为区分推理与外推的诊断工具。
正文 · AI 翻译
摘要：上下文学习（ICL）使大语言模型（LLM）智能体能够利用交互历史改进决策，但这种改进究竟反映了内部推理的精细化，还是仅仅是对统计模式的外推，目前仍不清楚。为厘清这两种机制，我们在需要递归信念推理的多智能体不完全信息博弈中研究 LLM 智能体。通过构建公共品博弈并操纵历史反馈的统计结构，我们以与历史无关的理性预期均衡（REE）基准来评估决策质量。实验表明，当历史统计模式被破坏时，更长上下文带来的收益基本消失，决策质量退化至无上下文基线水平，且这种退化在更强的策略相互依赖下被显著放大。这些结果表明，在此类策略环境中，ICL 行为更符合统计外推而非策略推理。我们的工作将 ICL 的机制研究拓展到策略性多智能体场景，引入 REE 作为区分推理与外推的诊断工具，并提供了一个可复用的框架，用于探测 LLM 在递归信念任务中推理能力的边界。
| 评论： | Findings of the Association for Computational Linguistics: EMNLP 2026 |
| 主题： | 人工智能（cs.AI）；一般经济学（econ.GN） |
| 引用为： | arXiv:2609.18591 [cs.AI] |
| （或本版本的 arXiv:2609.18591v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2609.18591 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yu Liu [查看邮箱]
[v1]
2026年9月16日 星期三 12:49:19 UTC（9,400 KB）
[v2]
2026年10月24日 星期六 07:42:51 UTC（9,400 KB）
来源：arXiv cs.AI · arxiv.org