本文探讨了如何利用大型语言模型（LLMs）改善文本对话中的谈判效果。研究表明，通过强化学习和可评分的协商游戏，LLMs能够自主提升谈判策略。尽管GPT-4在多任务中表现优异，但在与人类的主观评估中仍存在显著差距。此外，研究揭示了人类与LLMs互动时的挑战及其对谈判结果的影响。

本文研究大型语言模型（LLMs）在协商游戏中的自主改进能力，探讨其推理能力和对误导性指令的抵抗力。通过多轮游戏和反馈，模型的谈判策略得以迭代改进。同时，提出了一种评估模型真相检测能力的新方法，发现某些模型在识别欺骗语言方面表现优异，为人类真相检测提供支持。

本文研究了大型语言模型（LLMs）在协商游戏中的自我提升能力。通过多轮游戏使用不同模型（如GPT和Claude），评估交易价格以探索自我对弈和强化学习的有效性。研究表明，模型在推理能力和策略改进上显著提升，并提出KL正则化方法以解决性能不稳定问题，实证研究验证了这些方法的有效性。