Training Language Models for Bilateral Trade with Private Information
创建于 更新于
摘要
本文提出一个结构化的双边议价仿真环境，使用工具化动作（make_offer/respond_to_offer/send_message 等）分离约束性出价与自然语言，从而实现可自动化计算的理性性、策略效果与配置效率三维评估框架 [page::3][page::9]. 报告基准测试五个前沿模型（25 个配对、15,000 次谈判），发现“高锚（开价高）＋有节制地让步＋适度耐心”可实现既高的剩余份额又高的成交率，弱买方的高退让行为则会丧失议价能力并降低成交与剩余捕获 [page::15][page::18][page::19]. 在训练实验中，两阶段管线（SFT → GRPO）呈现张力：SFT 显著提高剩余捕获并压缩不同价格档的表现差异，但会降低成交率；后续 RL 恢复成交率却侵蚀 SFT 带来的剩余收益，这一矛盾可归因于奖励设计中对“理性弃约”与“非理性成交”信号的模糊 [page::26][page::29][page::34].
