心智还是言辞？多智能体社会模拟中的心智理论审计

研究者构建了一个社会模拟环境，让两个语言模型家族在40个多议题谈判、160组对话中进行协商，隐藏偏好权重与帕累托前沿均已知。智能体社交流畅，96.2%的对话达成协议且无协议失败，但仅0.7%的交易落在帕累托前沿，20.5%的联合价值未被认领，76.6%的交易错过了双方利益完全一致的议题。2880次反事实探针在字节完全相同的证据下逐一变动读者自身利益、伙伴语气、身份标签和递归顺序，以定位失败原因。

此前对语言模型社会模拟的评估多依赖转录文本表面可读性，容易把流畅对话误判为理解伙伴心理。该研究用已知答案的谈判任务和字节级受控探针，把“看起来懂”与“真正推断对方心智”分开检验，并给出失败可归因的证据。

探针设计保持伙伴言辞与报价不变，仅替换读者自身的收益表，推断出的首要议题优先级便移动15.0个百分点，说明模型在做自我中心投射而非对伙伴建模；语气改写带来5.3个百分点变化，身份标签为0.0。机制上模型主要依据自身立场与表面语用线索生成回应，而非从伙伴陈述中反推其隐藏偏好。

对用多智能体模拟做用户研究、谈判辅助或市场推演的产品，高达成率与高流畅度不能作为决策依据，因为联合价值大量流失且利益一致点常被忽略。评测应引入已知最优解或一致性基准，并把自我中心投射作为独立指标，否则模拟结论会系统性偏离真实结果。

• 在谈判或协作类智能体中新增显式的伙伴偏好推断步骤，并以便于验证的对齐议题命中率作为回归指标。
• 为多智能体模拟产品加入帕累托前沿覆盖率与联合价值认领率看板，替代仅统计协议达成率。
• 用替换自身收益表的对照测试筛查智能体是否仅在做自我中心投射，将其作为上线前的标准审计项。
• 面向依赖模拟结论的团队提供已知答案的谈判沙盒，用于校准模型输出与真实偏好的偏差。

• 该研究仅覆盖两个模型家族与160组对话，结论能否推广到其他模型和更开放的社会互动场景尚不明确。
• 证据摘录在“agent predicts what its partner believes about it”处被截断，该部分结论未完整呈现。
• 反事实探针在字节完全相同条件下测得的变化，其具体统计口径与显著性未在证据中说明。
• 高达成率与低经济收益的组合是否可通过提示、微调或引入外部求解器改善，证据未涉及。