深度分析
大型語言模型在多屬性談判的限制：對手建模未必轉化為策略優勢
本研究在受控的多屬性車輛購買談判場景，檢視大型語言模型（LLM）代理在擁有或缺乏對手偏好資訊下的行為差異。實驗以十項合約屬性與隨機線性效用配置，分析最終結果、模型推理痕跡與逐回合讓步動作。結果顯示，雖然模型能在早期正確建立對手偏好信念，但並未穩定將此資訊轉化為對己有利的多回合互惠交易；
深度分析
本研究在受控的多屬性車輛購買談判場景，檢視大型語言模型（LLM）代理在擁有或缺乏對手偏好資訊下的行為差異。實驗以十項合約屬性與隨機線性效用配置，分析最終結果、模型推理痕跡與逐回合讓步動作。結果顯示，雖然模型能在早期正確建立對手偏好信念，但並未穩定將此資訊轉化為對己有利的多回合互惠交易；
深度分析
面對多代理與博弈環境，準確預測對手行為是關鍵。本研究提出 SOM，將對手建模切分為結構因果模型建立與具結構的行為預測兩階段，透過圖形化依賴關係引導大語言模型推理並持續更新推理範例。實驗顯示 SOM 在多個基準上優於現有推理方法，提升預測與決策穩定性。