阳明交大与中研院用「狼人杀」测大模型：一旦信任发言者，就照单全收其指控
TL;DR：台湾阳明交通大学与中研院团队 9 月 11 日在 arXiv 发布论文，用桌游「狼人杀」构建评估基准，测量大语言模型面对指控时如何更新判断。结果显示，模型听到指控后普遍加深对被指控者的怀疑、同时降低对指控者的怀疑；一旦此前已信任指控者，无论对方实际是村民还是狼人，被指控者受到的怀疑增幅几乎相同（+0.94 对 +0.96）。团队因此指出：攻击者可以先与智能体建立信任，再注入误导信息。 台湾阳明交通大学与中研院研究团队 9 月 11 日在 arXiv 发布论文，通过