本研究探讨了大语言模型（LLMs）在战略推理中的表现，发现人类启发的认知结构能够提高LLM代理与人类行为的一致性，但代理设计的复杂性与人类相似性之间的关系是非线性的。

本研究提出了SPIN-Bench评估框架，用于评估大型语言模型在战略推理和社交推理中的表现。研究发现，这些模型在基本事实检索和短期规划方面表现良好，但在复杂社交协调和深度推理任务中存在显著瓶颈。

本研究提出了一种基于角色的多智能体框架，旨在提升多智能体游戏中的战略推理能力。研究表明，利用最新的LLM技术，人工推理者在模拟人类行为和寻找最佳解方面优于传统模型。

本文研究了链式思维（CoT）对大型语言模型（LLMs）多步推理能力的影响，发现即使包含无效推理步骤，模型仍能保持80-90%的性能。提出了知识驱动的思路连贯框架（KD-CoT），旨在改善推理过程并减轻错误传播。此外，文章还探讨了战略推理的现状与未来方向，强调跨学科方法对决策性能的提升。

本文探讨了基于强化学习的大型语言模型（LLM）在复杂环境中的应用，特别是在战略推理和游戏决策中的表现。研究提出了新框架，提升了LLM的决策能力，并通过实验验证了其在多代理环境中的有效性。

该研究探讨了大型语言模型（LLMs）在战略推理和博弈论中的表现，发现其在复杂决策中存在局限性。通过多种博弈游戏评估，揭示了模型在不同任务中的能力差异，并强调了进一步研究的必要性，以提升其在复杂环境中的应用潜力。