信息获取是一种开放式的信息寻求任务，交互可能向多条有价值的方向展开，获取者需要在新信息出现时不断决定追踪哪些信息。本文聚焦于将此决策委托给基础模型（LLM），但不同模型的选择如何影响信息寻求行为尚未充分研究。我们首先在 11 种覆盖多个模型家族和参数规模的 LLM 上，使用统一的信息集合和获取目标，比较它们对信息价值的判断。随后构建受控的获取仿真：不同模型在相同信息空间中、遵循相同的选择规则，独立于问题生成和被访者行为，直接体现模型的价值评估。通过该设置，我们刻画了模型特有的“宽度‑深度”行为，即在获取过程中倾向于广泛探索还是深入挖掘。进一步分析了交互历史如何改变信息价值评估及后续选择。我们在机会数量、响应标签、是否使用交互历史以及冗余显式相关性等维度上进行敏感性分析和消融实验，以验证结论的稳健性和边界。项目代码、数据和轨迹文件已公开于 https://github.com/infosenselab/open-elicitation。
点评