一句话看懂：arXiv 上一篇元分析汇总了 11 项研究、32 个大语言模型，发现模型在风险决策中“怕亏”的程度明显弱于人类，但概率判断的扭曲方式仍与人类相似。
事件核心：发生了什么
2026 年 10 月 27 日，arXiv cs.AI 发布了一篇关于大语言模型（LLM）前景理论的元分析论文（arXiv:2610.33103）。作者整合了 102 个拟合估计，覆盖 11 项研究和 32 个语言模型，用三个指标检验模型是否像人一样做风险选择：损失厌恶系数 λ、价值函数的曲率（递减敏感性）和概率权重。结果显示，LLM 的损失厌恶较弱，合并 λ 为 1.26（95% 置信区间 1.06 至 1.46），低于人类元分析中较高的估计值 1.96，但与较保守的人类估计 1.07 和 1.31 接近。在收益与损失对称的设计下，模型 λ 为 1.15，人类为 1.07；当损失小于收益时，模型为 1.46，人类为 2.3。价值函数在 Tversky-Kahneman 方法下接近线性（1.01 对 0.67），在 Tanaka 方法下则比人类更凹（0.52 对 0.67）。概率权重呈现类人的反 S 形，γ 分别为 0.81 和 0.84，但相关研究数量较少。作者强调，这些结论会随模型家族和拟合方法变化。
为什么重要
前景理论是行为经济学解释人类风险决策的经典框架。如果大模型被用于金融分析、保险定价、投资顾问或风险对话等 AI 应用，其“损失厌恶”和“概率判断”是否与人类一致，会直接影响输出建议的倾向性。这项元分析提供的信号是：模型并非简单复制人类偏见，而是呈现出一种混合模式——弱损失厌恶、弱递减敏感性，但保留概率扭曲。对开发者而言，这意味着不能默认模型在风险场景中会像人一样保守；对研究者而言，测量方法本身会显著改变结论，后续基准设计需要更谨慎。
对用户/开发者/创作者的影响
对普通用户，涉及亏损、收益和概率的 AI 建议仍需人工复核，尤其当模型面对“小概率大损失”情境时，其概率权重可能接近人类，但损失敏感度不足。对开发者，若在 API 或智能体产品中嵌入风险决策模块，应针对具体模型家族做行为测试，而不是直接套用人类行为参数；元分析显示不同拟合方法差异明显，评估流程需要固定方法并报告置信区间。对创作者和内容团队，涉及行为经济学、投资科普的 AI 生成内容，应避免把模型输出等同于人类决策数据。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息仅为论文摘要，未核验全文实验。后续可观察：论文是否经过同行评审并公开完整数据；不同闭源与开源模型家族在损失厌恶上的差异是否稳定；以及是否有团队将这类行为评测纳入大模型上线前的风险测试标准。
来源：arXiv cs.AI
