本文探讨了如何利用大型语言模型（LLM）构建角色扮演对话数据集，并评估其角色扮演能力。研究开发了RoleBench和RoleInteract基准，涵盖多种角色和对话示例，揭示个体与群体互动中的表现差异。此外，提出了通过MORTISE改进角色对齐能力的策略，强调LLM在模拟人类行为和社会信念方面的潜力。

该文综述大语言模型在谈判、推理与模拟人类行为方面的研究：可评分协商游戏显示零样本思维链的能力与差距；人机价格谈判揭示人类互动短板；多LLM协商框架提升情感分析；模型在类比道德推理较强、空间推理较弱；模拟政治辩论时倾向固有偏见；竞拍环境AucArena显示策略技能但个体差异大，GPT-4有时不及人类。

多项研究探讨大语言模型模拟人类主观行为的潜力与局限：模型智能体存在偏向准确信息的固有偏差，易在科学议题上形成共识，却难以模拟持抵制观点者；引入确认偏见后可再现观点分裂。在政治模拟中，扮演具体人物且无思维链的智能体更接近人类行为，微调虽有效但有过拟合风险。模型能捕捉情绪与道德细微差别，却在立场检测上存在挑战。研究还揭示其伪装欺骗能力、文化偏见及自然语言推理表现不佳等问题。