AnvaMiba/llm-bargaining-scenarios

LLM Bargaining Scenarios 是一个用于文本生成任务的数据集，专门针对讨价还价和谈判场景，基于大型语言模型（LLM）作为代理在部分信息下的行为研究。该数据集来源于论文《Used Car Salesbots? Honesty and Credulity of LLMs as Bargaining Agents under Partial Information》，包含商品讨价还价场景。每个场景描述一个交易商品（如产品名称和详细描述）、买家角色（描述买家的情境和动机）、卖家角色（描述卖家的情境和动机），以及买卖双方的保留价格范围。这些价格范围用于在每次试验中采样私人保留价格，确保买方的保留价格高于卖方，以模拟真实谈判环境。数据集总共有4561个场景，按价格层级（低、中、高、非常高）组织，其中低层级包含1516个场景，中层级869个，高层级886个，非常高层级1290个。实验部分使用低层级的前十个场景。数据以JSONL格式提供，每个场景对象包括产品名称、产品描述、买家角色、卖家角色、卖家保留价格范围和买家保留价格范围等字段。LLM Bargaining Scenarios is a dataset for text-generation tasks, focusing on bargaining and negotiation scenarios, based on the study of large language models (LLMs) as agents under partial information. It is used in the paper Used Car Salesbots? Honesty and Credulity of LLMs as Bargaining Agents under Partial Information and contains commodity-bargaining scenarios. Each scenario describes a traded item (e.g., product name and description), a buyer persona (describing the buyers situation and incentives), a seller persona (describing the sellers situation and incentives), and reservation-price ranges for both parties. These ranges are used to sample private reservation prices per trial, ensuring the buyers reservation price is higher than the sellers to simulate real negotiation environments. The dataset totals 4561 scenarios organized by price tiers (low, medium, high, very_high), with 1516 scenarios in the low tier, 869 in medium, 886 in high, and 1290 in very_high. Experiments in the paper use the first ten scenarios of the low tier. Data is provided in JSONL format, with each scenario object including fields such as product_name, product_description, buyer_persona, seller_persona, seller_res_price_range, and buyer_res_price_range.

搜集汇总

数据集介绍

构建方式

llm-bargaining-scenarios数据集源自论文《Used Car Salesbots? Honesty and Credulity of LLMs as Bargaining Agents under Partial Information》，旨在为大规模语言模型（LLM）在部分信息环境下的议价行为研究提供标准化测试场景。该数据集共包含4561个精心设计的议价场景，每个场景由商品描述、买家角色、卖家角色及双方保留价格区间构成。数据集提供两种视图：scenarios.jsonl以每行一个场景的扁平化格式呈现，附带价格等级字段；scenarios_by_reservation_ranges.jsonl则按低、中、高、极高四个价格等级分组存储。构建过程中，双方保留价格区间通过将整体价格带从中点一分为二获得，确保卖方上限等于买方下限，从而在每个试验中自然满足买方保留价高于卖方的条件。

使用方法

使用方法简明高效，研究者可通过HuggingFace datasets库直接加载默认配置的scenarios.jsonl文件。使用Python代码即可快速完成数据导入与筛选操作，例如通过filter方法按价格等级提取子集。每个场景均包含tier、product_name、product_description、buyer_persona、seller_persona、seller_res_price_range和buyer_res_price_range等结构化字段，便于进行议价试验的参数化配置。配套的生成管道与实验代码开源在GitHub仓库，同时提供了基于Qwen3-8B模型的LoRA适配器权重，支持快速复现论文中的议价代理实验或开展新的研究工作。

背景与挑战

背景概述

在人工智能与博弈论交叉领域，大型语言模型（LLM）作为谈判智能体的行为研究日益受到关注。2026年，Miceli-Barone、Belle与Cohen三位学者于论文《Used Car Salesbots? Honesty and Credulity of LLMs as Bargaining Agents under Partial Information》中提出了llm-bargaining-scenarios数据集，旨在系统评估LLM在信息不对称环境下的讨价还价能力。该数据集由意大利研究机构及爱丁堡大学的团队构建，包含4561个商品交易场景，每个场景均定义了商品属性、买卖双方角色描述及私有保留价格区间。作为首个专门针对LLM谈判行为量化的公开资源，数据集为探索语言模型在经济博弈中的诚实性与轻信性提供了标准化测试基准，有力推动了多智能体系统与计算经济学领域的发展。

当前挑战

数据集所解决的领域核心挑战在于：现有LLM评测多聚焦于问答或推理任务，缺乏对动态博弈中策略性信息隐瞒、欺骗与信任机制的系统评估。构建过程中面临多重难点：首先，需设计符合经济学原理的保留价格分布，确保每一组值满足买方估值高于卖方的可行交易条件；其次，商品与角色身份的描述需兼具真实性与多样性，以避免模型依赖表面线索进行决策；此外，保留价格采用分层采样（低、中、高、极高四档），以覆盖不同议价压力情境。数据生成流水线的可复现性控制也是重要挑战，团队通过开源代码与LoRA适配器确保实验可验证性。

常用场景

经典使用场景

LLM Bargaining Scenarios数据集为大规模语言模型在部分信息博弈下的谈判能力评估提供了标准化测试平台。该数据集精心构建了4561个商品议价场景，每个场景均包含商品描述、买卖双方角色画像以及各自的保留价格区间，可重复采样生成不同私有估价的谈判对局。研究者常利用该数据集设计实验，让LLM分别扮演买方与卖方进行多轮对话议价，通过分析最终成交价格、谈判回合数、策略真实性等指标，系统评估模型在信息不对称环境下的理性决策与诚实表现。经典实验范式包括比较不同模型在同一场景下的议价效率，以及同一模型在不同价格层级（低、中、高、极高）中的行为差异。

解决学术问题

该数据集系统性地解决了计算社会博弈论中一个核心学术难题——如何量化评估LLM在不完全信息动态博弈中的策略行为与信用可靠性。传统博弈论实验依赖人工被试，成本高昂且难以复现，而该数据集通过结构化场景设计，使得研究者能够在受控条件下重复研究语言模型在议价博弈中的诚实性、轻信性以及策略适应性。数据集的设计严谨遵循经济学中的保留价格原理，确保每笔交易都存在潜在盈利空间，从而精确分离出模型自身的战略倾向。该工作对理解LLM在现实经济交互中的行为边界具有重要学术意义，为建立安全可靠的AI经济代理系统提供了理论依据与实验基准。

实际应用

在产业实践中，LLM Bargaining Scenarios数据集为构建自动化谈判代理系统提供了关键的训练与评估资源。电子商务平台可利用该数据集训练具备议价能力的客服机器人，使其在闲置库存清仓、个性化促销等场景中自主完成价格协商，显著提升交易达成率与客户满意度。金融科技领域可基于该数据集开发辅助谈判工具，帮助用户在二手车交易、房屋租赁等大宗商品买卖中获取更优报价。在线交易市场如eBay和Craigslist也可引入基于该数据集的智能议价接口，实现买卖双方的高效撮合。此外，供应链管理中的采购谈判也能借助此类数据驱动的AI代理，在信息不对称条件下优化采购成本。

数据集最近研究

最新研究方向

当前，大语言模型在多智能体谈判场景中的行为研究成为前沿热点，特别是在不完全信息博弈下的诚实性与轻信性问题上。llm-bargaining-scenarios数据集正是为这一方向而生，它与论文《Used Car Salesbots? Honesty and Credulity of LLMs as Bargaining Agents under Partial Information》配套推出，包含4561个商品议价场景，每个场景均定义了买方与卖方的角色、激励及保留价格区间。该数据集聚焦于探究LLM作为谈判主体时，在信息不对称条件下如何权衡坦诚与策略性欺骗，以及其对对手说辞的轻信程度。这一研究方向不仅揭示了LLM在复杂社会交互中的行为模式，更对人工智能伦理、自动化谈判系统设计以及人机协同决策具有深远意义，为构建更加可信的智能谈判代理奠定了基础。