Large Language Models Playing Mixed Strategy Nash Equilibrium Games

本文是LLM系列文章，针对《Large Language Models Playing Mixed Strategy Nash Equilibrium Games》的翻译。

摘要

生成型人工智能（Generative AI），尤其是大型语言模型（LLM）在研究人员和工业社区中广受欢迎，为在机器人、电信和医疗保健等不同领域集成LLM铺平了道路。在本文中，我们研究了博弈论和生成人工智能的交叉点，重点研究LLM在具有混合策略纳什均衡和非纯策略纳什均衡的博弈（我们称之为混合策略纳什平衡博弈）中找到纳什均衡的能力。这项研究表明，当LLM具备运行代码的可能性，并提供特定的提示来激励他们这样做时，LLM的性能会显著提高。然而，我们的研究也强调了当游戏的随机化策略不容易推导时LLM的局限性。很明显，虽然LLM在众所周知的标准游戏中表现出非凡的熟练度，但当面对相同游戏的轻微修改时，它们的性能会下降。本文旨在为日益增长的博弈论和生成人工智能交叉点知识做出贡献，同时为LLM的优势和劣势提供有价值的见解。它还强调了进一步研究的必要性，以克服LLM的局限性，特别是在处理稍微复杂一点的场景时，充分利用其潜力。

1 引言

2 匹配Pennies游戏

3 石头、剪刀、步游戏

4 结论

我们对博弈论和生成人工智能交叉点的研究，特别是对大型语言模型（LLM）的研究，为LLM在混合策略博弈中识别纳什均衡的能力和局限性提供了有价值的见解。我们的研究结果表明，当LLM能够运行代码并得到鼓励此功能的特定提示时，它们可以显著提高性能。这种能力使LLM能够在标准游戏场景中表现良好，在这些场景中，策略定义明确并有充分的文档记录。
然而，该研究也强调了LLM在面对涉及