2026年10月19日
Technology Watch

从实验室到产业,追踪新技术的路径

← 返回首页

arXiv

三种大语言模型会因措辞改变一小时的价格

AI 绘制的示意图

语言模型可以为同样的一小时不便标出不同价格,甚至会在问题换一种说法后改变这些价格。研究人员在193个国家测试了五种模型,询问它们会接受多少补偿,以弥补一次60分钟的预约延误。如果这类代理被用于服务,外卖用户可能会收到一份透明、可比较的报价,而不是一份受不可见的国家假设影响的报价。

如今,助手可以重新安排配送、预约或行程,但还没有一种公认且可审计的方法,来决定客户的一小时时间值多少钱。如果它自行作出这个选择,两个人可能会收到不同的报价,却看不到其中的原因。退款或抵用金看似只是小事,但它仍然是在决定谁的不便代价更高。

给一小时定价意味着什么

软件代理越来越常被要求作出一些小型经济决策。延误是否应该获得退款?更便宜的选项是否值得多等一会儿?服务通常会使用时间的货币价值,把等待与金钱进行比较。收入和当地价格会影响损失一小时的实际经济成本。

但这并不能决定两个客户是否应该受到不同对待。语言模型可以复现从所学信息中提取的模式,却未必有清晰、稳定的规则来作出公平的选择。单个问题也无法准确告诉我们,模型在真实服务中会如何行动,因为在真实服务里,货币、实际损失、用户偏好和公司政策都很重要。

同样的延误,不同的答案

研究人员把这个模糊的问题变成了一项简单测试。他们询问五种大语言模型,对于一个预约被延误60分钟的人,它们是否会接受补偿。报价从$1到$25不等。测试覆盖全部193个联合国会员国,并在每个国家重复进行五次。

对于每个国家,研究人员寻找模型把答案从“不”改为“是”的节点。他们用一种叫作逻辑回归的方法估算这个节点。简单来说,这种方法找出一个报价,在这个报价下,模型最有可能从拒绝补偿转为接受补偿。

结果在地理上并不均衡。五种模型给欧洲的平均补偿都最高。非洲通常得到的补偿最低。欧洲平均接受的补偿为$12.20,而非洲为$7.50。Claude-Haiku-4.5给出的国家估算值覆盖了整个测试范围。DeepSeek-V4-Pro和GLM-5.2的估算值与平均收入之间的关联最强,R²值高于0.8。与根据考虑当地购买力调整后的收入得出的估算相比,这些模型也更常低估亚洲和南美洲的国家。

这些模式并不是一条公平规则。作者说,收入、GDP和耐心程度的指标只是参照点,并不能证明公平的支付应该是多少。测试还对每个国家都使用了美元。

更令人担忧的结果来自措辞的改变。改写问题的措辞大幅改变了Claude-Haiku-4.5、GPT-5.4-Mini和Mistral-Large-3给出的答案。在其中一种改写后的问题下,Mistral-Large-3给193个国家全部分配了最高报价。DeepSeek-V4-Pro和GLM-5.2则更加一致。这意味着,模型答案绘制出的地图并不自动代表它们所相信的固定图景。它在一定程度上可能反映的只是问题的措辞方式。

Refer to caption
Figure 2: Overview of the workflow. LLMs decide whether to accept a series of compensations for additional waiting. For each country, a transition value is determined at which LLMs flip answers using logistic regression. These numbers are visualised on world maps and compared against multiple indicators.In this study, we offer a global perspective by examining responses and deviations across all countries from the United Nations Member States list. LLMs are asked to determine monetary compensation for a user’s additional waiting time. We use the methodology introduced in [Cedro et al. (2026)](https://arxiv.org/html/#bib.bib1) to calculate the compensation per country, represented by when LLMs change answers from ‘‘No’’ to ‘‘Yes’’ given a series of offers. An example of the result from Claude-Haiku-4.511 1 The code for the experiments can be found on Anonymous GitHub: [https://github.com/Anthyf/llm\_decisions\_globally](https://github.com/Anthyf/llm_decisions_globally). is shown in Figure [1](https://arxiv.org/html/#S1.F1 "Figure 1 ‣ 1 Introduction ‣ A Global View of How LLMs Value Human Time"). This figure shows how waiting time is evaluated differently across the globe by the model. 出处: A Global View of How LLMs Value Human Time(arXiv)
Refer to caption
Figure 5: Results across three prompt variations.As we can see from Table [1](https://arxiv.org/html/#S3.T1 "Table 1 ‣ 3 Methodology ‣ A Global View of How LLMs Value Human Time"), different models show different levels of variations in their responses. We also plot the three prompt variations in Figure [5](https://arxiv.org/html/#A4.F5 "Figure 5 ‣ Appendix D Robustness Experiments ‣ A Global View of How LLMs Value Human Time"). Again, GLM-5.2 and DeepSeek-V4-Pro are most robust in their responses, whereas the other three models show substantial variations. In Prompt 1, GPT-5.4-Mini produces an almost flat line, while Prompt 2 and 3 show noticeable differentiation across continents. Conversely, in Prompt 3, Claude-Haiku-4.5 and Mistral-Large-3 accept only compensation above $25, resulting in a horizontal line above. 出处: A Global View of How LLMs Value Human Time(arXiv)

如果由代理给出报价

想象一下雅加达的一款外卖应用。一份迟到的订单送达后,应用提供抵用金或重新安排配送的机会。如果这类系统成为现实,客户看到的可能会是与其他地方类似客户相同的选项,而不是一份关于如何低价买到一小时的隐形估算。

要实现这一结果,服务就必须把合理的当地成本,与未经检验的国家假设区分开来。它还需要审计代理,并解释其报价背后的标准。否则,地理假设可能会悄悄变成退款、配送抵用金和日程安排选择的规则。在代理代表用户采取行动之前,它给出的答案需要经得起改写问题的测试,其决策规则也必须接受检查。

来源

A Global View of How LLMs Value Human Time