你有没有玩过那种猜拳机器人？你出石头剪刀布，它会根据你刚才出的招数，猜你接下来可能出什么。有些机器人很笨，不管你怎么出，它永远按照固定概率乱猜。但也有机器人很聪明,它会发现"你上一轮出了剪刀,这一轮往往会出石头",然后针对性地出布。
这两种机器人,表面上看起来可能打出一样的胜率,甚至猜拳记录看起来统计上几乎一致。但背后的逻辑完全不同。一个是瞎猜,一个是真的在跟踪你的行为规律。
这正是斯坦福和石溪大学的研究者们想在大语言模型身上验证的问题。现在的大模型被越来越多地用来扮演各种角色,模拟用户、模拟对手、模拟社会互动中的参与者。
**但这些模型究竟是真的理解了对话背后的逻辑链条,还是只是在表面上模仿出了相似的统计分布？**
这个问题听起来有点抽象,但其实关系到一个很现实的问题。如果你用大模型去模拟一个真实用户和客服系统互动,这个模拟出来的用户到底靠不靠谱。如果模型只是在复制整体的说话频率,而没有真正理解"用户上一句话说了什么,这一句就该怎么回应",那这个模拟出来的交互可能看起来很像真人,但实际上在关键决策点上完全失真。
两种长得一样却完全不同的生成方式
研究者们设计了一个核心概念,叫作表面统计和条件规则的区别。
**统计策略**：行动不依赖于之前发生了什么,每一轮都是独立地从一个固定的概率分布里抽样。好比一个永远按照固定比例出拳的猜拳选手,不管对手上一轮出了什么,他出石头剪刀布的概率永远是三分之一。
**马尔可夫策略**：行动依赖于最近的历史。比如"如果对手上一轮出了石头,我这一轮就出布"，这是一种有条件逻辑的反应,不是瞎抽样。
论文里举了一个特别清楚的例子。假设有两组猜拳对局,A组和B组,两组里石头剪刀布的出现比例都是1比1比1,看起来完全一样。但A组可能是两个玩家各自按固定概率乱出,B组可能是一方根据对手上一轮的招数在做针对性反应。统计上无法区分,但本质上一个是无脑随机,一个是有策略的互动。
如果你只看最终的统计结果,你会以为这两种玩家没什么区别。可要是你真的想预测他们下一步会出什么,只有真正理解了条件规则的那个模型才靠得住。这就是研究者要戳破的那层表象,相似的表面行为完全可能来自天差地别的生成机制。
识别对手的策略,到底难不难
研究团队设计了三组层层递进的实验来逼近这个问题。第一组实验最基础,只让模型观察一段猜拳对局的历史记录,然后猜双方分别是什么类型的玩家。
玩家池里有两大类角色。一类是统计型玩家，这类玩家包括永远出同一招的"死忠党"，也包括按照固定概率随机出招的"概率型玩家"，一共设计了16种不同的概率分布组合。另一类是马尔可夫型玩家，这类玩家的出招规则依赖于最近的历史，比如"按照对手上一招选择能赢它的招式"或者"直接复制对手上一招"。
实验结果出乎意料地一致。七种不同的模型配置里，有六种都显著地更擅长识别统计型玩家，而对马尔可夫型玩家的识别准确率明显偏低。唯一的例外是GPT-5，它的差距没有达到统计显著水平，但趋势仍然存在。
这说明一件事,**识别"有条件逻辑的策略"比识别"固定概率的策略"难得多,这个难度几乎跨越了所有测试过的模型家族、模型规模,以及开源闭源的边界。**
更让人意外的是上下文长度的作用。按常理想,给模型看更多局数的对局记录,应该能帮它更准确地判断对手类型,就像你看一个人下的棋局越多,就越能摸清他的套路。但实验结果恰恰相反。研究者把观察的局数从100局拉长到1000局,结果几乎所有模型的识别准确率都在下降,无论是统计型玩家还是马尔可夫型玩家。
这就好比你本来想通过多看几场比赛来摸清一个篮球运动员的习惯动作,结果看的场次越多,你反而越糊涂了。为了验证这不是因为信息量真的不够,研究者还做了一个非大模型的最大似然估计基线方法,用同样的数据,这个传统统计方法在所有观察长度下都能做到百分之百准确识别。这证明问题不在数据里缺乏足够的证据,而是在于大模型本身没能把藏在长序列里的那条逻辑规则稳定地提取出来并维持住。
**换句话说,信息足够,但大模型消化不了那么多信息。**
这里的核心矛盾值得多想一层。人类读小说读到后面情节会越来越清楚,因为我们能把前面的线索串成一条逻辑链条,记在脑子里不断更新。但大模型似乎在处理超长的符号序列时,反而容易被信息量淹没,找不到那条真正重要的因果线索。这跟我们直觉里"数据越多越好"的认知完全相反。
识别对了,不代表能模拟对
第二组实验往前推进了一步，不仅要模型识别双方的策略，还要模型生成一段后续的对局，看它能不能延续这个策略继续往下演。
这里出现了一个很关键的发现。**模型正确识别出对手身份的时候,确实能更好地模拟对手的行为规则,尤其是在要求严格遵守规则的指标上表现得更明显。但即便识别错了对手的具体身份,生成出来的行为也不完全是乱来的。**
有些模型即便猜错了具体是哪个策略,它生成的招数重叠率还是明显高于随机水平。这说明识别错误往往是"结构性"的错误,就像你猜错了一个人的名字,但猜中了他的性格类型,他依然表现出相似的行为模式。身份识别和规则执行之间是相关的,但绝不是一回事。
这个区分很重要。想象一下你去猜一个陌生人的职业,猜错了具体是医生还是律师,但你猜对了"这是个高学历的专业人士",你根据这个判断做出的后续反应可能依然相当准确。身份标签错了,但行为预测对了一大半。
分布层面的模拟质量也揭示了类似的问题。研究团队用均方误差来衡量生成的动作分布和真实目标分布之间的差距,发现马尔可夫玩家整体上比统计玩家更难模拟,误差大概高出8%到9%。但如果只看那些模型"正确识别出对手身份"的情况,马尔可夫玩家的误差要比统计玩家高出超过100%。
这个反差揭示了一个容易被忽略的陷阱。即便模型嘴上说"我知道这是个马尔可夫玩家",它实际生成的内容依然可能完全没有执行那条状态转移规则。研究者进一步统计发现,在282个识别错误的案例里,有41.8%生成的边际分布依然和真实目标相差很小,62.1%的误差也控制在一个相对不离谱的范围内。
**这意味着表面上看起来很像的分布,完全可能掩盖着一套根本错误的生成机制。**
这就跟一个学生考试蒙对了答案一样,他的答题卡看起来是对的,但他脑子里完全没有正确的解题过程。如果换一道稍微变形的题,他立刻就会露馅。
研究者还做了一个叫作教师强制的诊断实验,用来区分到底是"模型根本不会执行这条规则"还是"模型执行了规则,但在长时间生成中逐渐偏离了"。具体做法是在每一步都给模型提供真实的历史记录,只让它预测下一步,这样就能切断之前生成错误带来的连锁影响。
结果显示,DeepSeek Reasoner和GPT-5在这种强制喂真实历史的情况下表现很强,说明它们平时在自由生成时犯的错误,很大一部分来自于长时间维持规则的困难,而不是不理解规则本身。但DeepSeek Chat和GPT-5-mini即便拿到了真实历史,依然表现挣扎,这说明对它们来说,连最基本的"看到当前状态该怎么反应"这一步都还没学扎实。
这就像两种开车失误。一种司机知道怎么开车,只是长途驾驶容易疲劳走神,导致后段路程出问题。另一种司机根本没学会怎么正确判断路况,给他再清晰的路标也照样会出错。两种问题看起来结果都是"没开好",但病因完全不一样。
复杂度升级后,到底是什么在拖后腿
第三组实验把规则复杂度进一步拉高，引入了联合状态和二阶依赖这两个变量。
联合状态指的是规则同时参考双方上一轮各自出的招，而不只是看对手一个人的历史。二阶依赖指的是规则要往前看两轮，而不只是上一轮。
实验结果显示,联合状态这个变量本身并不是主要的拖累因素。换句话说,让模型同时关注双方的历史,它基本还能应付。真正造成明显退化的是二阶依赖,也就是需要往前看两步才能确定规则的情况。
在这种设定下,规则重叠率依然可以保持相对较高,但严格匹配率明显下滑。这说明模型能抓住局部的规则片段,比如"大概知道该往哪个方向反应",但没办法把这些片段精准组合成一条完整正确的二阶转移规则。
**这就像让你根据过去两天的天气预报天气,而不是只看昨天的天气。单看一天的天气模式你可能很熟练,但要同时综合两天的信息做判断,出错率就会显著上升,因为需要同时记住并正确组合的信息维度变多了。**
这里有个耐人寻味的细节。即便严格规则匹配率下降了,模型对马尔可夫玩家身份的识别准确率依然保持得很高。也就是说,模型知道"这是个二阶马尔可夫玩家",但知道归知道,真正执行起来却力不从心。这进一步印证了前面的结论,识别一个策略和真正把它跑出来,是两件分开的事情。
把游戏外壁去掉,问题还在不在
前面的实验里,猜拳游戏本身带来了几层干扰：模型得先搞清楚谁是谁，再推断规则，还要考虑石头剪刀布之间天然的输赢关系。研究者想知道，如果把这些干扰统统拿掉，问题是不是依然存在。
于是他们设计了一个单人续写实验,用抽象符号ABC代替石头剪刀布,彻底切断任何语义联想。模型要做的事情很简单,看一段由某种n元马尔可夫过程生成的符号序列,然后续写下去。n从1一路加到8,代表依赖的历史长度从只看前一个符号,一直到要看前八个符号才能确定下一个符号该是什么。
这里用到两个评估指标。**上下文条件似然增益**：衡量模型生成的内容相比于"完全不看历史、只按整体频率生成"这种笨办法,到底能提升多少准确度,数值越高说明模型越善于利用历史信息。**加权詹森-香农散度**：衡量模型生成出来的转移概率分布和真实转移概率分布之间差多远,数值越低说明模型学到的规律越接近真实规律。
实验结果显示,在依赖长度为1到4的时候,这个似然增益大多是正的,说明模型确实在利用历史信息,不是单纯按整体频率乱猜。但到了依赖长度为8的时候,大多数模型的似然增益突然大幅下滑,同时散度大幅上升。
这说明**低阶的、经常重复出现的状态模式,模型还能靠记忆或者模式匹配抓住。但当状态变得稀疏、需要往前看很远才能确定规律时,模型的条件结构追踪能力就垮掉了。**
更值得深挖的是,研究者还试了两种"给模型开挂"的办法,看能不能解决这个崩溃。第一种是把前缀长度从256个符号拉长到2048个符号,给模型看更多证据。第二种是直接把转移规则和概率表格告诉模型,相当于把答案摆在它面前。
结果令人意外,这两种开挂方式都没能稳定地解决高阶依赖崩溃的问题。即便告诉模型完整的规则,它依然在高阶情况下表现挣扎。
**这就像给一个记不住复杂路线的人一张详细地图,结果他还是会在某个复杂的立交桥路口走错方向。**问题不在于缺少信息,而是模型在实际生成过程中维持和应用这些条件转移结构的能力本身出了问题。
与此同时,研究者还设计了一个纯粹基于前缀的最大似然估计基线方法作为对照。这个方法不借助任何预先设定的转移表格或者候选规则池,只凭观察到的前缀自己统计规律,遇到没见过的组合就逐级退回到更简单的统计方式。有意思的是,这个简单粗暴的统计方法,在高阶情况下反而表现得比大模型更稳定,尤其是在加权詹森-香农散度这个指标上,八阶时它拿到了所有方法里最好的成绩。
这个对比相当扎心。一个几乎没有"智能"、只会死板统计频率的方法,在高阶任务上反而比参数量庞大的大语言模型更可靠。这说明问题的根源不是"缺乏可提取的规律信息",而是大模型在生成过程中维持长距离条件结构的机制本身存在瓶颈。
这篇论文往后看,还有谁接着往下走
这篇论文发表于2026年，正好处在大模型被广泛部署为交互式智能体和行为模拟器的时间点上。此前关于大模型策略推理能力的研究，往往聚焦在"模型能不能赢这场博弈"或者"模型能不能猜中对手的隐藏身份"这类终局指标上。
这篇工作的独特之处在于，它把"赢没赢"这个笼统的终点拆成了三个可以分别检验的能力：识别潜在策略、匹配边际分布、执行条件规则。这种拆解方式让后续研究者可以更精确地定位问题到底卡在哪一层。
如果沿着这个思路往前推，一个自然的延伸方向是把封闭的候选策略池换成开放式的策略发现任务，让模型在没有预设选项的情况下自己总结出背后的生成规则。另一个值得关注的方向是，这篇论文使用的是符号化的、明确结构化的历史记录表示，未来如果换成更自然的对话式交互记录，模型能否依然维持住条件推理能力，还是会进一步退化，这也是一个开放的问题。
写在后面
读完这篇论文,最让我意外的不是"大模型在高阶依赖上表现差",这个结论某种程度上符合直觉。真正让我停下来想了很久的是那个增加上下文反而让识别准确率下降的结果。
我们这个行业里有个几乎约定俗成的信念,给模型更多信息总是更好的,长上下文窗口是进步的方向。这篇论文用一个很干净的实验设计戳破了这个信念,至少在"从长序列里提取并维持一条隐藏逻辑规则"这件事上,更多信息反而成了噪音,而不是帮助。这跟人类读书读到后面情节越理越清楚的直觉经验完全相反,也许这正说明大模型目前处理长序列信息的方式,和人类梳理因果链条的方式,根本不是同一回事。
另一个让我反复琢磨的细节,是那个"身份识别错了,但行为模拟依然不离谱"的发现。这让我想起一个问题,我们平时判断一个人、一个系统是否"理解"了某件事,到底该看它说出的标签对不对,还是该看它接下来的行动对不对。这篇论文给出的答案是,这两件事未必同步,甚至经常不同步。那下次我们评估一个AI系统到底"懂不懂"的时候,是不是也该多问一句,它说对了名字,但它真的会做对应该做的事吗？
Q&A
Q1：大模型识别有条件逻辑的策略和识别固定概率策略,哪个更难？
A：论文发现识别马尔可夫型玩家（依赖历史规则的策略）明显比识别统计型玩家（固定概率随机出招）更难,这个差距在七种模型配置中的六种都达到统计显著水平,几乎跨越了不同模型家族、规模和开闭源的边界。
Q2：给大模型看更多的历史记录,能不能帮它更准确地识别对手策略？
A：不能,反而经常适得其反。实验把观察局数从100局拉长到1000局后,几乎所有模型的识别准确率都在下降。研究者用一个非大模型的最大似然估计基线证实,同样的数据传统统计方法能做到百分之百准确,说明问题不是信息不够,而是大模型没能从长序列里稳定提取出规律。
Q3：大模型正确识别出对手的策略类型,是不是就能准确模拟出对方的行为？
A：不一定。论文发现即便模型正确识别了对手是马尔可夫型玩家,实际生成内容的误差反而比识别为统计型玩家时高出超过100%,说明识别对了身份不代表真正执行了对应的行为规则,表面相似的输出可能掩盖着完全错误的生成机制。
