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框架，以解决多智能体游戏中的战略推理不足问题。结果表明，最新的人工推理者在模拟人类行为和优化解方面优于传统模型。

本文综述了大规模语言模型（LLMs）在战略推理中的现状和机遇，探讨了LLMs在战略推理中的应用、方法论和评估指标，强调了该领域的发展和跨学科方法对决策性能的增强。提供了系统综述，凸显战略推理的重要性，并提供未来研究方向和潜在改进的见解。