MOTIVE BENCH: How Far Are We From Human-Like Motivational Reasoning in Large Language Models?

文章主要内容总结

本文提出了一个名为MOTIVEBENCH的基准测试，旨在评估大型语言模型（LLMs）的类人动机推理能力。该基准包含200个丰富的情境场景和600个推理任务，覆盖多个动机层次（基于马斯洛需求层次理论和Reiss的16种基本欲望理论）。通过对7个主流模型家族的29个LLM进行测试，研究发现：

1. 即使最先进的模型（如GPT-4o）在类人动机推理上仍有差距（准确率80.89%）；
2. LLMs在“爱与归属感”等情感相关动机推理上表现较差；
3. LLMs存在过度理性、理想化等问题，与人类推理模式存在显著差异；
4. 模型规模与动机推理能力正相关，但思维链（CoT）提示对提升性能无效，甚至可能降低表现。

创新点

1. 首个聚焦动机推理的综合基准：不同于现有基准（如SocialIQA）场景简单、信息明确的局限，MOTIVEBENCH提供丰富的角色档案和真实场景，需复杂推理而非模式匹配。
2. 理论支撑的多层次覆盖：结合马斯洛需求层次（生理、安全、爱与归属、尊重、自我实现）和Reiss的16种基本欲望，系统评估动机的多维度特征。
3. 人机协作的问题生成框架：通过多代理（LLM生成+人类