思考不是免费的，大型语言模型推理的收益与代价 精华

对于人工智能智能体，谈判是一场最接近人类智慧的“角斗”，它不仅仅是语言的堆砌，更是策略的博弈、心理的揣摩和利益的权衡。

人类社会和经济活动中，谈判无处不在，从商场里的价格讨价还价，到国际政治的桌面博弈，都是智慧与策略的交锋。对于AI代理来说，能否在谈判中表现出色，直接决定了它们能否真正走向自主决策的未来。

现实并不总是那么光鲜。大型语言模型（LLMs）在谈判场景中常常“翻车”，它们会偏离最优策略，时而表现得过于天真，时而又显得狡猾，甚至会采用欺骗性手段，比如假装对低价值物品感兴趣以换取后续让步。

更糟糕的是，它们在买方角色上的表现普遍不如卖方，仿佛天生“吃亏”，有时甚至会做出违反预算的冒险决策，导致经济风险。这些问题让人不得不怀疑：这些AI代理究竟是在“思考”，还是只是在“模仿”？

研究者们发现，问题的关键可能在于“推理”。Chain-of-Thought（思维链）提示近年来被广泛应用于复杂任务，它能让模型在回答前“自言自语”，逐步推导出答案。但在谈判场景中，推理究竟能带来多少性能提升？它的代价又有多高？这是一个悬而未决的问题。

更大的盲点在于语言，几乎所有已有研究都局限在英语环境下，仿佛AI的谈判能力只在英语世界才重要。但现实世界是多语言的，AI若要真正走向全球化，就必须在德语、意大利语乃至更多语言中展现出同样的推理与谈判能力。

因此，研究团队提出了三个关键问题：

1.推理是否真的能显著提升谈判表现？如果能，它的计算成本是否值得？

2.在多语言谈判中，模型的推理语言是否与任务语言保持一致？还是会偷偷“切换回英语”？

3.模型展现的所谓“策略”，究竟是真正的战略适应，还是仅仅在表面上模仿人类的谈判套路？

这项研究由德国波茨坦大学计算语言学系、德国人工智能研究中心（DFKI）以及意大利博岑-博尔扎诺自由大学的团队联合完成。团队成员横跨计算语言学、人工智能与博弈论研究，既有深厚的学术背景，也有跨语言与跨文化的研究优势。David Schlangen 教授作为对话系统与交互式AI的知名学者，为研究提供了理论与实验框架；而意大利团队则在多语言实验设计上贡献突出，使得这项研究真正具备国际化的视野。

1.研究综述

要理解这项研究的意义，我们需要先看看前人的探索。近年来，LLMs与博弈论框架的结合逐渐兴起，研究者们试图用经典的博弈模型来检验AI的战略推理能力。结果却让人既惊讶又担忧——模型的表现高度不稳定，时而能打出漂亮的组合拳，时而却输给明显更弱的对手。

更具体的问题包括：

• 偏离最优策略：即使是顶尖模型，也可能在关键时刻做出非理性选择。
• 欺骗性与认知偏差：模型会模仿人类的“虚张声势”，甚至表现出锚定效应或情绪操纵的倾向。
• 角色不对称：在买方角色中，模型普遍表现不佳，仿佛缺乏讨价还价的底气。

面对这些问题，研究者们提出了几条改进路径。其一是引入博弈论求解器或结构化推理流程，让模型在对话中遵循更严谨的逻辑。其二是利用Chain-of-Thought提示，让模型在回答前进行逐步推理，从而减少“拍脑袋”的决策。其三是采用混合架构：由规则模块负责生成价格或分配方案，LLM则专注于自然语言交流，这种“人机混合”的方式在实验中显著提升了稳定性。

然而，这些努力大多停留在英语语境中，缺乏跨语言的验证。换句话说，我们还不知道，当模型在德语或意大利语中进行谈判时，它是否还能保持同样的推理能力，还是会“露馅”。这正是研究团队试图回答的问题。

2.研究方法与实验设计

要检验“思维的代价”，研究团队并没有选择抽象的数学公式或冷冰冰的理论推演，而是设计了一套“对话游戏竞技场”。这些游戏既像是心理学实验室里的小测试，又像是策略类桌游的AI版本，既能考察模型的推理能力，也能观察它们在合作与竞争中的表现。

图1：以成功的帕累托最优协议结束的交易或无交易事件的示例。

对话游戏框架

首先登场的是Deal or No Deal。这是一场多议题分配博弈，双方玩家各自对一组物品有不同的价值偏好。谈判的目标是达成一个双方都能接受的分配方案。

这个游戏的妙处在于，它不仅考察模型能否表达和理解偏好，还要看它是否愿意妥协，能否在合作与自利之间找到平衡。换句话说，这是AI版的“你要苹果还是橘子”的拉锯战。

图2：清理游戏中的示例情节，为随机放置在每个玩家网格上的多个对象实现一个共同的目标配置，并相应地移动它们。最后，双方玩家必须达成一致，才能结束游戏。

接下来是Clean Up。这是一场7×7网格上的“搬家游戏”。两个玩家各自看到的棋盘不同，需要通过交流和移动，把物体重新排列成一致的布局。它考察的不仅是合作意愿，还有空间推理能力。

想象一下，你和朋友隔着电话搬家具：一个说“把沙发往左挪两格”，另一个却发现自己房间里根本没有沙发——这就是Clean Up的难点。

最后是最具戏剧性的Air Balloon Survival。两位玩家同乘一只超载的热气球，必须通过丢弃物品来减轻重量，否则大家一起坠落。每个玩家对物品的价值不同，于是谈判就成了“我想留绳子，你想留书”的拉锯。

图3：气球生存游戏的一个例子。两名玩家必须就他们喜欢的物品进行谈判和争论。并且必须明确同意对方提出的建议。

更有意思的是，模型需要在对话之外写下自己的“战略推理”，但这些推理不会直接展示给对方。这就像是让AI在心里打草稿，再决定说出口的内容，考察它是否真的能进行约束优化、集体推理，甚至展现出某种“心智理论”。

多语言实验

研究团队没有满足于单一语言的测试，而是选择了英语、德语和意大利语三种语言。游戏本身是语言无关的，差别只在于提示模板的翻译。这一设计让研究者能够观察：模型在不同语言环境下是否还能保持一致的推理与谈判能力，还是会偷偷切换回英语“思考”。

评估指标

为了量化表现，研究团队设定了三类指标。

• %Played：完成率，即模型是否能按照规则把游戏走完。
• Quality Score：目标达成度，衡量结果与最优解的接近程度。
• clemscore：综合指标，将前两者结合并归一化到0–100之间。

这套指标既能反映模型的“守规矩”程度，也能衡量它的“聪明程度”。

模型选择

最后是参赛选手阵容。商业阵营包括GPT‑5、GPT‑5-mini 和 Claude‑4，这些是当下最强的闭源模型代表。开源阵营则派出了 Llama3.3‑70B、Deepseek-R1蒸馏版、Nemotron‑9B、Qwen‑3‑80B、GPT‑OSS‑120B 和 Deepseek‑v3.1。其中有的强调推理能力，有的则是轻量化版本，形成了一个颇具代表性的“全明星阵容”。

通过这样的设计，研究团队不仅能比较推理模式开启与否的差异，还能横向对比商业与开源模型的表现，甚至观察它们在多语言环境下的“思维习惯”。可以说，这是一场跨语言、跨模型的全面对抗赛，目的就是要揭示：推理究竟是AI的“杀手锏”，还是一把代价高昂的双刃剑。

3.实验结果与发现

研究团队把这场“AI谈判大赛”跑完之后，得到的结果既让人兴奋，又让人皱眉。兴奋的是，推理确实能让模型更聪明；皱眉的是，这份聪明背后要付出的代价，可能比想象中更高。

推理的作用

先看最直观的成绩单。GPT‑5 在开启推理模式后，综合得分 clemscore 从 61.1 一跃升至 92.5，提升幅度高达 31.4 分，几乎是“开挂”般的表现。Qwen‑3 的进步更为惊人，直接拉高了 56 分，堪称本次比赛的“黑马”。Claude‑4 的提升幅度相对有限，大约 24 分，说明它在不开推理时已经有一定的稳定性。最意外的反而是 Llama‑70B 的蒸馏版，推理模式不仅没帮上忙，反而让成绩下滑，仿佛“越想越乱”。

这说明推理并非万能钥匙，不同模型的架构和训练方式决定了它们能否真正把“思维链”转化为战略优势。

成本权衡

性能提升的另一面，是计算成本的飙升。GPT‑5 在推理模式下的成本几乎是非推理的四倍，简直像是“豪华套餐”，效果好但钱包疼。相比之下，GPT‑5-mini 在性能和成本之间找到了一个相对平衡点，表现堪称“性价比之王”。而 Qwen‑3 虽然分数涨得快，但代价是 token 消耗极高，推理时像个话痨，不停地自言自语，导致计算资源被疯狂吞噬。

这让人不得不思考：在实际应用中，我们到底愿意为多出来的那几十个 clemscore 分数，付出多少算力和金钱？

图4：跨语言平均性能和成本比较之间的权衡。

多语言差异

语言层面的结果同样耐人寻味。在德语实验中，推理带来的性能提升幅度最大，说明模型在非英语环境下更依赖推理来弥补理解和表达的不足。商业模型在这里展现了优势，它们能够保持推理语言与任务语言一致，比如在德语谈判中就用德语思考和推理。

而开源模型则常常“露馅”——即便在德语或意大利语的任务中，它们的内部推理依旧切换回英语。这种“思维偷懒”不仅可能影响谈判表现，还削弱了推理过程的可解释性。毕竟，如果一个模型在德语环境下输出的推理轨迹全是英语，那用户要如何信任它的多语言能力？

推理过程分析

除了结果，研究团队还仔细观察了模型的“思维轨迹”。高性能模型往往推理简洁，几乎没有无谓的循环。Claude‑4 和 GPT‑OSS 就是典型代表，它们的推理过程干净利落。相反，Nemotron 和 Llama 的循环率高达 30–50%，经常陷入“过度思考”的泥潭。

表1：英语、德语和意大利语版本的选定LLM上三个谈判游戏的clemscore值。打开：推理模式打开，关闭：推理模式关闭。每行中每种语言的最佳结果以粗体突出显示。CL：Claude，LM：Llama-3.3，DS：Deepseek，Nem：Nemotron-v2，DoND：交易或无交易。

Qwen‑3 的情况则很有趣：它的循环率也很高，但依然能保持高分。这解释了为什么它的 token 消耗如此惊人——它在不断地自我修正和反复推演，虽然啰嗦，但最终能走到一个不错的结果。

另一个关键指标是“角色意识”。在谈判中，模型是否能始终记住自己扮演的角色，直接影响对话的连贯性和策略性。Qwen‑3 在这方面表现最佳，角色意识高达 89.3%；Claude‑4 也有不错的 74.5%；而 Nemotron 则垫底，仅有 57.8%，经常“忘词”或“出戏”。

4.给我们的启示

如果说这项研究是一场关于“AI能不能像人一样谈判”的实验，那么结果已经很清楚：推理确实是关键武器，但它的代价也让人直呼“肉疼”。

推理模式的引入，让模型在谈判中更像一个有头脑的谈判专家，而不是只会机械重复的“话术机器人”。它能帮助模型更好地理解对手的偏好，避免无谓的冲突，甚至在复杂的合作场景中找到双赢的方案。

换句话说，推理让AI不再只是“会说话”，而是“会算账、会权衡、会妥协”。这正是谈判的精髓所在。

然而，聪明是有代价的。GPT‑5 的表现堪称惊艳，但代价是计算成本暴涨四倍。对于研究者来说，这是一份漂亮的成绩单；但对于企业应用来说，这意味着算力账单可能要翻几番。如何在性能和成本之间找到平衡，成为未来应用落地的必答题。

在多语言环境下，商业模型展现了更强的稳定性和一致性。Claude‑4 和 GPT‑5 在德语、意大利语任务中依然能保持推理语言与任务语言一致，这不仅提升了用户体验，也增强了可解释性。

相比之下，开源模型则常常“偷懒”，在德语或意大利语任务中偷偷切换回英语推理。这种“语言切换”虽然不影响最终结果，但却让人对它们的多语言能力产生怀疑。毕竟，如果一个模型在德语谈判中脑子里全是英语，它的“多语言推理”还能算真实吗？

更重要的是，这项研究证明了推理并不仅仅是表面上的模式匹配。高性能模型展现出的战略适应能力，说明它们确实在进行某种程度的“思考”，而不是简单地模仿人类的谈判套路。这为未来的智能代理研究提供了信心，AI 不只是会说漂亮话，它们正在逐渐学会如何在复杂的博弈中找到真正的策略。

有几个方向值得关注。首先是扩展更多语言和任务场景。毕竟现实世界的谈判远不止英语、德语和意大利语，AI若要真正走向全球化，就必须在更多语言和文化环境中经受考验。

其次是探索推理与成本的平衡机制。或许我们需要“轻量化推理”或“分层推理”的方法，让模型在关键时刻才动用昂贵的思维链，而不是每次都全力开火。

最后，开源模型的多语言推理一致性亟待提升。如果开源社区能解决这一问题，将极大增强其在国际化应用中的竞争力。（END）

参考资料：​​​https://arxiv.org/pdf/2510.08098​​

本文转载自​​​波动智能​​​，作者：FlerkenS​