一些大型语言模型表现出一致的风险态度

arXiv:2607.16197v1 公告类型：新 摘要：随着人工智能系统部署在开放式、高风险的环境中，一个关键维度仍然无法衡量：感知的风险如何转化为行动。我们测试大型语言模型（LLM）在不确定性下是否表现出系统且一致的风险态度。我们引入了一个跨领域框架，将上下文风险信念与分类决策分离，并将其应用于空间导航、临床分诊和财务分配任务中的 6 位代表性法学硕士和 100 名人类参与者。使用回归模型，我们提取每个代理的信念到决策映射，并量化风险敏感性和风险态度偏差。我们发现，大多数经过测试的法学硕士表现出（i）强大的任务内一致性，表明在固定任务域内从上下文信念到风险决策的稳定映射； (ii) 跨领域排序稳定性，保持跨任务的相对风险态势； (iii) 相对于更广泛的人类基线，趋于受限的风险态度分布。这些结果揭示了风险态度是法学硕士行为的一个稳定且以前未表征的维度，为评估和调整开放式决策中的人工智能系统奠定了基础，并激发了对这些内在行为倾向的起源的进一步调查。