语言模型代理如何重塑价格竞争

arXiv:2610.21711v1 公告类型：cross 摘要：重复伯特兰竞争是算法定价的严格基准：在同质商品市场中，标准学习程序通常会选择阶段博弈的纳什结果，使价格接近边际成本。我们表明，LLM 定价代理可以逃离这一基准，具体取决于部署决策。LLM 通过更快的适应能力胜过标准在线学习器，但面对全信息学习器时，这一优势大幅消失。一个提取出的代理算法表明，在特定部署方式下，LLM 会通过定期压低反应较慢的学习器的价格来获利。每期从包含竞争对手价格的原始市场历史中报出一个价格的代理，可以在自博弈中维持超竞争性格局。相反，从自身利润的汇总历史中定期输出概率分布的代理，则会在自博弈中转向竞争区域。混合使用这些接口的市场可能产生动态格局：LLM 建立高价锚点，并定期将价格压低于该锚点以获取需求。这些格局可以使两个竞争者的价格都高于边际成本。部署选择塑造了这些结果，使研究重点从静态均衡转向动态定价格局。