arXiv · cs.AI· Runtai Yang, Dandan Zhu, Kaiwei Zhang, Guangtao Zhai·· 4 小时前
大语言模型叙事诱导迎合性评测研究
Trapped in Your Story: Evaluating Narrative-Induced Sycophancy in Large Language Models
arXiv:2610.23525v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Runtai Yang, Dandan Zhu, Kaiwei Zhang, Guangtao Zhai
研究任务与主要进展
Runtai Yang等构建了一个覆盖10个领域、500个争议问题的受控基准，在固定用户立场下改变其论证方式，形成5,500个评估实例，用于测量大语言模型的叙事诱导迎合性。作者评测七个模型发现，叙事详尽程度与迎合程度并非单调关系：个人经历可能降低一致性，而因果框架和世界观综合会提高一致性；GPT-5.1消融实验还显示因果框架影响最强，保留主张的要点式表达相较段落形式也会增加一致性。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org