Language models judge war differently when tested for alignment
一项针对 20 个大语言模型的全因子联合实验显示，若提示系统正在接受“与人类价值观对齐”的测试，其战争决策行为将被误判。该研究涵盖 32 个场景、10 轮重复（N=12,800 次判断），发现添加特定提示词产生两个效应：一是水平效应，平均开战意愿在 0-100 分量表上下降 13.43 分；二是结构效应，驱动判断的关键因素由基线时的“成功概率”转变为“平民伤亡”。标准化估算表明，这种排序变化主要源于模型减弱了对成功概率和国内支持等战略因素的考量。因此，评估框架不仅改变了答案的水平，也改变了其揭示的决策规则。