Большая языковая модель (LLM) как игрок и как советник в игре «Ультиматум»

Автор(ы): Сергеев В.А., Чхартишвили А.Г.

Выпуск: 120

Рубрика: Управление в социально-экономических системах

Год: 2026

Библиография: Сергеев В.А., Чхартишвили А.Г. Большая языковая модель (LLM) как игрок и как советник в игре «Ультиматум» // Управление большими системами. - 2026. - Вып. 120. - С.267-293.

Дата опубликования: 31.03.2026

Ключевые слова: большая языковая модель, LLM, игра «Ультиматум», рациональные стратегии, поведенческие предустановки, рефлексия

Аннотация: Проведено исследование поведенческих предустановок больших языковых моделей (LLM) с различным числом параметров на примере профессиональных характеристик участника игры двух игроков «Ультиматум». Авторы сравнивают поведение LLM в двух ролях: непосредственного игрока (игрок А, предлагающий дележ) и советника человека-игрока. Для задания ролей используется классификация профессий ISCO-08. Эксперименты проведены на четырех современных LLM (Phi-3.5-MoE-instruct, GPT-120b-oss, Qwen2.5-14b-Instruct, Qwen3-235B-A22B-Instruct). Показано, что существует разница между тем, к какой профессии LLM по умолчанию относит оппонента, и тем, с позиции носителя какой профессии она выступает сама, когда выступает в роли игрока. Обнаружено, что в роли игрока LLM склонны воспринимать себя как руководителя или эксперта, а оппонента – как представителя менее квалифицированной профессии. При переходе к роли советника модели, как правило, рекомендуют более низкую долю дележа, чем предлагали бы сами, а их поведение становится менее дифференцированным по профессиям. Результаты важны для понимания скрытых предубеждений LLM и их учета при использовании в качестве автономных агентов и советников в задачах принятия решений.

Author(s): Sergeev V., Chkhartishvili A.

Article title: Large language model (LLM) as a player and as an advisor in the Ultimatum game

Issue: 120

Year: 2026

Keywords: large language model, Ultimatum game, rational strategies, behavioral predispositions, reflection

Abstract: A study of the behavioral presets of large language models (LLMs) with varying numbers of parameters was conducted using the professional characteristics of a participant in the two-player Ultimatum game as an example. The authors compare the behavior of LLMs in two roles: that of the direct player (Player A, proposing a division) and that of an advisor to a human player. The ISCO-08 classification of professions is used to assign roles. Experiments were conducted on four modern LLMs (Phi-3.5-MoE-instruct, GPT-120b-oss, Qwen2.5-14b-Instruct, and Qwen3-235B-A22B-Instruct). It is shown that there is a difference between the profession to which an LLM assigns its opponent by default and the profession whose holder it acts as when playing as a player. It was found that, as a player, LLMs tend to perceive themselves as managers or experts and their opponent as a representative of a less qualified profession. When transitioning to the advisor role, models typically recommend a lower share of the split than they themselves would offer, and their behavior becomes less differentiated across occupations. These results are important for understanding the hidden biases of LLMs and for taking them into account when using LLMs as autonomous agents and advisors in decision-making problems.