一句话看懂：arXiv 一篇新预印本测试了大语言模型（LLM）如何预期赌博和股票交易结果的情绪感受，发现模型在单独评价时对收益反应强于损失，与人类经典的损失厌恶方向相反，并且这种评价会随比较情境而变化。
事件核心：发生了什么
2026 年 11 月 2 日发布于 arXiv cs.AI 的论文 arXiv:2610.40985v1 摘要显示，研究者让 LLM 对赌博和股票交易的结果进行情绪预期评分，并观察这些评分是否影响其选择行为。在结果被单独评分时，模型的反应呈现“量级敏感度递减”，类似人类的价值函数；但模型对等额收益的打分强度高于损失，作者将其称为“硅基获益放大”（silicon gain amplification），与经典的损失厌恶方向相反。当收益和损失被放在一起比较评分时，这种非线性被拉直。在选择任务中，收益—损失不对称基本消失，模型自身的评分并不比货币效用更好地解释其选择。需要说明，以上仅为摘要信息，尚未核验全文实验细节，也不代表论文已通过同行评审。
为什么重要
LLM 正在越来越多地进入决策流程，但行业对其如何把结果映射为“感受”、又如何把这种映射用于选择，了解仍然有限。这项研究提示，模型的情感预期并非固定不变，而会随任务呈现方式变化；同时，模型嘴上给出的评分和实际选择之间可能脱节。对正在构建 AI 智能体（agent）的团队来说，这直接关系到是否应该、以及如何把预期情绪纳入决策逻辑，而不是默认模型会像人一样“怕损失”。
对用户/开发者/创作者的影响
对开发者而言，如果应用场景涉及金融建议、消费决策或智能体自主选择，不能把“让模型评估情绪”当成稳定的效用信号；摘要结果显示，单独打分与对比打分可能得出不同结论，模型评分也不必然比简单的金额效用更能预测选择。对普通用户和企业采购方来说，这意味着在贷款、投资、保险等高风险流程中，LLM 扮演决策辅助角色时仍需外部规则和人工复核。对创作者和 AI 应用设计者，提示词中结果呈现顺序、是否并列比较，都可能改变模型输出的态度倾向，值得在测试集上单独验证。
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
目前公开信息显示，后续可观察三点：一是该预印本是否公开完整实验设置与复现结果，尤其是模型版本、任务设计和评分量表；二是后续研究是否检验更大模型或经过对齐训练（RLHF 等）的模型是否仍出现收益放大；三是智能体产品在涉及金钱、风险决策的工作流中，是否引入独立于模型自评的效用模块或约束机制。
来源：arXiv cs.AI
