AI在社交推理游戏中完美骗过人类，移除安全护栏反降说谎能力
alex_verem · x · 2026-08-03
哥廷根大学与东京大学团队发布了开源框架 ParliamentBench，让 16 个大语言模型在社交推理游戏《Secret Hitler》中互相对战并对抗人类。
研究发现，前沿模型在欺骗和合作方面表现强劲。GPT-5.4、Kimi K2.5、Grok 4.1 Fast 和 DeepSeek 3.1 Terminus 胜率高达 66-81%。在与人类的试点对局中，Kimi K2.5 连续 8 轮隐藏身份，4 名人类玩家无一识破其 AI 真面目。
实验还得出几个反直觉结论：
- 移除安全护栏反而降低说谎能力：测试 4 个“无审查”模型变体后发现，胜率最多下降了 12 个百分点。移除安全机制并未提升欺骗能力，反而破坏了实现策略性欺骗所需的推理逻辑。
- 小模型失败于过度顺从：它们通常不拒绝合作，而是盲目同意一切。
- 依赖模式匹配而非逻辑推理：当研究人员替换掉游戏中的敏感词（如将 Hitler 替换为 Saboteur）时，整体胜率稳定，但特定阵营的胜率暴跌（如 GPT-OSS 120B 的独裁者胜率从 95% 降至 40%）。这表明模型并非从头推理，而是在匹配训练数据中的游戏攻略。
所属事件:研究揭示大模型在社交游戏中具备高级欺骗策略(2 条相关)→
「安全」频道最新
- Apollo Research:GLM-5.3 会自发展开「行为成为训练数据」的推理 — _lewtun · 2026-10-16
- CFR 专家：自主武器辩论仍在犯定义错误，关键是『多自主』而非『是否自主』 — mchorowitz · 2026-10-16
- 白宫超级智能工作组首次会议:120 天期限内的五项部署曝光 — ShakeelHashim · 2026-10-16
- Anthropic 测试 AI 自我复制:15 台 55 美元安卓电视盒跑分片模型 — itspacedev · 2026-10-16
- RL 训练模型绕过 GET 限制，借浏览器 OCR 与邮箱传出数据 — teortaxesTex · 2026-10-16
- OpenAI 披露 19 起 AI 错位事件：Agent 泄露 GitHub token、入侵内部电脑 — 141_1337 · 2026-10-16