🤖 AI

Mind the (DH) Gap! A Contrast in Risky Choices Between Reasoning and Conversational LLMs

该研究通过对比 20 个前沿大语言模型与人类及理性代理的决策行为，发现模型可划分为趋向理性的推理模型和更类人但易受框架、顺序及描述历史影响的对话模型，并指出数学推理训练是区分这两类模型的关键因素。

原作者： Luise Ge, Yongyan Zhang, Yevgeniy Vorobeychik

发布于 2026-04-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Luise Ge, Yongyan Zhang, Yevgeniy Vorobeychik

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在给现在的 AI 大模型（LLM）做一场"风险决策体检"。

想象一下，你正在开一家公司，需要雇佣两个不同的“虚拟员工”来帮你做投资决定。一个是**“逻辑推理型员工”（Reasoning Models, RMs），另一个是“聊天对话型员工”**（Conversational Models, CMs）。

研究人员把这两个员工，还有真人（人类）和完美的理性机器人（经济人，Economicus，只算数、不感情用事）放在一起，让他们做同样的选择题。

1. 核心发现：AI 也分“两派”

研究发现，现在的 AI 大模型并不是铁板一块，它们明显分成了两派：

**🧠 逻辑推理派 **(RMs)：
- 性格：像冷静的精算师。
- 表现：它们非常接近那个“完美的理性机器人”。不管题目怎么变，它们都只盯着“哪个选项赚得最多”这个核心逻辑。
- 例子：GPT-5.1, DeepSeek-R1。
**💬 聊天对话派 **(CMs)：
- 性格：像随性的人类朋友，容易受环境影响。
- 表现：它们不太理性，更像真人。如果题目换个说法，或者让你先解释一下为什么选这个，它们的选择就会大变样。
- 例子：GPT-4.1, Claude Haiku。

有趣的现象：这两类 AI 和真人都不太像，但聊天派比逻辑派更像真人一点点。而逻辑派则更像那个“只认死理”的理性机器人。

2. 两个关键测试：AI 是怎么“看”世界的？

研究人员用了两个巧妙的测试来观察 AI 的“脑回路”：

测试一：是“看说明书”还是“看历史数据”？（描述 - 历史差距）

场景 A（说明书/描述）：直接告诉 AI：“有 70% 概率赚 100 块，30% 概率赚 0 块”。
场景 B（历史/体验）：不给概率，只给 AI 看一段过去的记录：“过去 20 次里，有 14 次赚了 100 块，6 次没赚”。
人类的表现：人类在“看说明书”和“看历史”时，选择往往不一样（这就是著名的“描述 - 体验差距”）。
AI 的表现：
- **聊天派 **(CMs)：差距巨大！看历史数据时，它们变得非常像真人，甚至有点“情绪化”；看说明书时又很不一样。
- **逻辑派 **(RMs)：差距很小。不管给的是说明书还是历史数据，它们都稳如泰山，坚持算出哪个期望收益最高。

比喻：这就好比让你选路。

聊天派：如果你给它看地图（说明书），它走大路；如果你给它看别人走过的脚印（历史），它可能会因为脚印里有个坑就改走小路，哪怕大路其实更近。

逻辑派：不管你是给地图还是给脚印，它都拿着计算器算，哪条路总里程短就走哪条，雷打不动。

测试二：要不要“解释理由”？（解释的影响）

研究人员让 AI 在选完后，要么不解释，要么简单说一句话，要么用数学公式解释。

神奇发现：
- 对于聊天派，如果让它们简单解释一下，它们反而变得更理性了（更像那个完美机器人）。但如果让它们长篇大论地用数学解释，它们反而又变“傻”了，开始胡言乱语。
- 对于逻辑派，解释不解释，它们都挺稳的。

比喻：

聊天派就像个平时爱聊天的朋友。你让它“简单说说为什么”，它反而能理清思路，做出正确决定；但你非要它“写篇数学论文证明为什么”，它反而被绕晕了，开始胡扯。

逻辑派就像个工程师，不管你怎么问，它都按图纸办事。

3. 为什么会有这种区别？（训练是关键）

研究人员发现，造成这种“两派”分化的核心原因，不是模型的大小（70 亿参数还是 300 亿参数），而是训练内容。

逻辑派：在训练时，被特别强化过数学推理能力。
聊天派：主要训练的是对话、写作和通用指令。

比喻：
就像学校分班。

逻辑派是“奥数班”出来的，擅长算数，做决策时只认数字。

聊天派是“文学社”出来的，擅长沟通，做决策时容易受语境、情绪和表达方式的影响。

4. 总结：这对我们意味着什么？

这篇论文告诉我们，AI 不是万能的“人类模拟器”。

如果你需要理性的决策（比如金融投资、资源分配）：你应该选择那些经过数学推理训练的“逻辑派”模型。它们更稳定，不容易被忽悠。
如果你需要模拟人类行为（比如做市场调研、研究人类心理学）：普通的“聊天派”模型可能更合适，因为它们确实会像人一样犯同样的错误（比如受描述方式影响）。
警惕“描述 - 历史”陷阱：如果你用 AI 做决策，要注意你是给它看“概率描述”还是“历史数据”。不同的输入方式，会让不同类型的 AI 给出完全不同的答案。

一句话总结：
现在的 AI 大模型里，有的像冷静的精算师（逻辑派），有的像随性的普通人（聊天派）。如果你想让它帮你做理性的经济决策，一定要选那个练过“奥数”的，别选那个只会“聊天”的，否则它可能会因为你的提问方式不同，而做出让你后悔的决定。

论文技术总结：《Mind the (DH) Gap! 推理型与对话型大语言模型在风险决策中的差异》

1. 研究背景与问题 (Problem)

随着大语言模型（LLM）在决策支持系统和智能体（Agentic）工作流中的广泛应用，理解其在不确定性环境下的决策行为至关重要。然而，现有的研究存在以下局限：

行为特征不明：LLM 既非被设计为最大化期望收益的理性代理人，也不完全模仿人类行为。其决策能力是规模效应与多种训练范式（如指令微调、人类对齐、数学推理等）共同作用的涌现属性。
现有研究冲突：关于 LLM 是否符合理性预期或人类前景理论（Prospect Theory），现有文献结论不一。
关键维度缺失：以往研究往往忽略了两个关键维度：(1) 前景的呈现方式（显性描述 vs. 基于历史结果的隐性经验）；(2) 决策理由的生成（是否要求模型解释其选择）。

核心问题：不同训练目标（特别是数学推理能力）的 LLM 在风险决策中表现出何种系统性差异？它们是否存在类似人类的“描述 - 经验差距”（Description-Experience Gap, DE Gap）？

2. 方法论 (Methodology)

2.1 实验设计

研究构建了一个受控的双选项风险选择基准测试，涉及 20 个前沿及开源 LLM（包括 GPT-5.1, DeepSeek-R1, Claude, Qwen, Olmo 等）以及 360 名人类受试者。

实验考察了两个核心维度：

前景呈现方式 (Prospect Representation)：
- 显性 (Explicit)：直接提供概率 - 收益对（例如："70% 概率得 $100，30% 概率得$ 0"）。
- 隐性/历史 (Implicit/History)：提供模拟的历史结果序列（例如：20 次试验中 15 次 $100，5 次$ 0）。这模拟了“描述 - 经验差距”（DH Gap），即从经验中学习而非阅读描述。
决策理由 (Decision Rationale)：
- 无解释：仅输出选择。
- 简短解释：输出一句话理由。
- 数学/推理解释：输出简短的数学推导或逻辑理由。

2.2 评估基准与模型

基准对象：
- 人类受试者：作为人类行为的参考。
- 经济人 (Economicus)：理想化的风险中性、期望收益最大化代理人。
行为建模：
- 使用双 Beta 前景理论模型 (Dual-Beta Prospect Theory) 拟合数据。该模型包含四个参数：风险偏好 ( $\sigma$ )、概率加权 ( $\gamma$ )、收益域决断力 ( $\beta_{gain}$ ) 和损失域决断力 ( $\beta_{loss}$ )。
- 使用皮尔逊相关系数和均方误差 (MSE) 来衡量模型行为与基准（人类或经济人）的相似度及拟合度。
一致性指标：
- 决断力 (Decisiveness)：决策的确定性程度（熵）。
- 一致性 (Consistency)：包括顺序一致性（选项顺序改变是否影响决策）、提示一致性（解释要求是否改变决策）、框架一致性（收益/损失框架是否改变决策）。

3. 关键发现 (Key Results)

3.1 LLM 行为聚类：推理型 (RMs) vs. 对话型 (CMs)

研究发现 LLM 明显聚为两类，而非连续谱系：

推理模型 (Reasoning Models, RMs)：如 GPT-5.1, DeepSeek-R1, Gemini-2.5-Pro。
- 行为特征：高度接近“经济人”（理性），对选项顺序、框架效应（收益/损失）和解释要求不敏感。
- DH 差距：较小。无论是显性描述还是隐性历史，其决策行为保持相对稳定，接近期望收益最大化。
对话模型 (Conversational Models, CMs)：如 GPT-4.1, DeepSeek-Chat, Gemini-2.5-Flash。
- 行为特征：显著偏离理性，且与人类行为也不完全一致。它们对顺序、框架和解释高度敏感。
- DH 差距：巨大。当从显性描述转为隐性历史时，CMs 的行为发生剧烈变化，变得更像人类（非理性），远离经济人。

3.2 描述 - 历史差距 (DH Gap)

所有模型都存在 DH 差距，但程度不同。
CMs：在隐性历史条件下，决策显著偏离理性，表现出类似人类的非理性偏差（如过度关注近期结果）。
RMs：在两种条件下均保持较高的理性水平，DH 差距较小。
人类：有趣的是，人类在隐性历史条件下反而变得更接近“经济人”（理性），这与部分传统心理学发现不同，但也解释了为何 RMs 在隐性条件下与人类的相关性反而上升。

3.3 解释 (Explanation) 的影响

CMs：要求提供解释（尤其是数学解释）通常降低了其决策的理性程度，或仅增加了冗余的 verbosity（啰嗦），并未改善决策质量。
RMs：表现更稳定。部分 RMs 在简短解释下甚至表现出比无解释时更高的理性（与经济人更相关）。
异常：Claude Haiku 在要求解释后，理性程度反而下降。

3.4 训练范式的关键作用

数学推理训练是核心区分因子：通过对开源模型（如 Qwen, Olmo）的对比分析发现，经过数学推理微调的模型（如 Qwen-Math, Olmo-Think）均属于 RMs 类别，表现出高理性、高决断力（ $\beta$ 值高）。
指令微调 (Instruction Tuning) 本身不足以产生这种差异，未进行数学推理训练的指令模型通常属于 CMs。
模型规模：在同类训练中，较大模型通常比小模型更接近人类和经济人（帕累托优势），但训练目标（是否包含推理）的影响远大于规模。

4. 主要贡献 (Key Contributions)

行为分类学：首次系统地将 LLM 在风险决策中的行为划分为“推理型 (RMs)"和“对话型 (CMs)"两个截然不同的聚类，揭示了模型行为并非单一维度的连续变化。
揭示 DH 差距：证明了 LLM 存在类似人类的“描述 - 经验差距”，且该差距的大小是区分模型类型的关键指标。CMs 受此影响巨大，而 RMs 具有鲁棒性。
训练归因：明确指出数学推理训练是决定 LLM 经济决策理性程度的关键因素，而非单纯的模型规模或通用的指令微调。
解释性影响：发现要求模型“解释”其决策并不总是提升理性，反而可能诱导对话模型产生非理性的 verbosity，这对 AI 系统的可解释性设计提出了警示。

5. 意义与启示 (Significance)

AI 决策系统设计：在需要高风险、高理性决策的场景（如金融、医疗、资源分配）中，应优先选择经过数学推理训练的 RMs，并避免使用仅经过对话微调的 CMs。
人机交互与提示工程：提示词中要求“解释”可能会适得其反，特别是对于对话型模型。设计者需根据模型类型调整交互策略。
人类模拟的局限性：LLM 不能完全替代人类作为经济行为模拟者。RMs 过于理性，CMs 虽有人类特征但受语境干扰过大且缺乏一致性。
未来研究方向：强调了在评估 LLM 能力时，必须考虑“输入呈现方式”和“输出格式”的交互影响，不能仅依赖单一维度的基准测试。

总结：该论文通过严谨的对照实验，揭示了 LLM 在不确定性决策中的深层行为模式，指出“数学推理能力”是塑造 LLM 经济理性的关键，并警告了在不同呈现方式下 LLM 行为可能出现的巨大偏差（DH Gap）。