【C117】基于大语言模型的博弈合作行为复现实验

本项目参考论文 Large Language Models Replicate and Predict Human Cooperation Across Experiments in Game Theory，尝试复现大语言模型在博弈实验中的合作行为表现。项目的核心问题是：在给定不同收益矩阵的情况下，大语言模型是否会产生接近人类或理论基准的合作选择。

项目围绕经典双人博弈场景展开，包括和谐博弈、雪堆博弈、猎鹿博弈和囚徒困境等类型。代码通过设置诱惑收益 T、受骗收益 S、合作奖励 R 和背叛惩罚 P，构造不同博弈参数组合，并让大语言模型在每个参数点上输出合作或背叛选择。

项目提供了 Streamlit 可视化界面，支持设置模型接口、模型名称、温度参数、收益矩阵范围、重复实验次数和解析失败重试次数。结果部分计算 LLM 合作率、Nash 合作率、与 Nash 基准之间的 MSE 和 Pearson 相关系数，并通过热力图展示不同博弈参数下的合作行为差异。

运行方式：

streamlit run app.py

本项目结果主要包括三部分。

第一，代码生成 LLM 合作率矩阵和 Nash 合作率矩阵，用于比较大语言模型在不同博弈参数下的合作选择与理论基准之间的差异。

第二，项目计算与 Nash 基准的误差指标。当前结果中，参数点数量为 25，与 Nash 的 MSE 为 0.3222，Pearson 相关系数为 0.0000，说明在该次实验设置下，LLM 决策结果与 Nash 基准仍存在明显偏差。

第三，项目输出参数明细表，包括 T、S、博弈类型、LLM 合作率、Nash 合作率和二者绝对差值，便于进一步定位不同博弈结构下的差异来源。

结果文件包括：

1. 结果1.png

2. 结果2.png

3. 结果3.png