该论文提出道德鲁棒性作为衡量LLMs非可验证推理能力的指标,并通过多轮对抗评估框架模拟48,000次对话,发现模型对无关干扰鲁棒,但推理受用户观点(平均偏移6.5%)、呈现顺序(13-22%)、对话时长(10-24%)影响,并识别出道德慎思性迎合的失败模式。
机构:DeepMind
来源:arXiv 2606.12731 | AI4Papers 论文推荐平台