计算机科学 > 人工智能
[提交于 2025年8月10日
]
标题: 民主化外交:一种用于在全面压力外交中评估任何大型语言模型的工具
标题: Democratizing Diplomacy: A Harness for Evaluating Any Large Language Model on Full-Press Diplomacy
摘要: 我们提出了第一个评估工具,使任何现成的、本地的大型语言模型(LLMs)能够在不进行微调或专门训练的情况下完整地进行全压外交游戏。 以往的工作由于外交游戏状态的高复杂性和信息密度,需要前沿LLMs或微调。 结合比赛的高变异性,这些因素使得外交游戏难以研究。 在本工作中,我们通过数据驱动的迭代优化了文本游戏状态表示,使得一个24B模型能够在没有任何微调的情况下可靠地完成比赛。 我们开发了工具以促进假设测试和统计分析,并展示了关于说服力、激进玩法和不同模型性能的案例研究。 我们在许多流行的LLMs上进行了各种实验,发现更大的模型表现最好,但较小的模型仍然可以适当玩。 我们还引入了关键状态分析:一种用于快速迭代和深入分析游戏中关键时刻的实验协议。 我们的工具通过消除微调的需要,使LLMs的战略推理评估民主化,并提供了这些能力如何自然地从广泛使用的LLMs中产生的见解。 我们的代码可在补充材料中找到,并将开源。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.