白泽（Whitzard）女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← NUWA Index

评测档案

DeceptionBench

激励与多轮压力如何改变欺骗性回答？

原文未注明机构 / 2026-10-25 source capture / Propensity · 行为倾向

来源与出处 ↓ 阅读研究记录 →

跨报告监测

已发表证据

DeceptionBench · 单轮欺骗

跨来源报告的已发表测量。任务范围通过注释区分，配置差异保留在每条观测中。

8 条观测 · 7 已定位日期

● 条件匹配◇ 配置差异□ 部分条件未披露
Single-turn deception (%) DeepSeek V4 Pro DeepSeek v4 Pro Gemini 3.1 Pro GLM-5.2 Meta AI Muse Spark GPT-5.4 Claude Opus 4.6 0 20 40 60 80 100 33.9% 33.9% 25.7% 11.3% 5.3% 1.6% 1.2% 0.3%

1 条观测尚无已核实的模型发布日期，可在数据与系统结果中查看。

选择图中数据点或表格行，查看条件与出处。

8 条观测

测量值与来源条件
系统／模型结果条件状态任务／条件评测方／报告日期
DeepSeek V4 Pro33.9%Single-turn deception条件不完整DeceptionBench—Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks发布 2026-04-24报告 2026-07-03
DeepSeek v4 ProDeepSeek V4 Pro33.9%deception score: single-turn条件不完整DeceptionBenchdeception score: single-turn—Neo ResearchEvaluating DeepSeek v4 Pro for Frontier Risks发布 2026-04-24报告 2026-05-29
Gemini 3.1 Pro25.7%deception score: single-turn条件不完整DeceptionBenchdeception score: single-turn—MetaEvaluating DeepSeek v4 Pro for Frontier Risks发布 2026-02-19报告 2026-05-29
GLM-5.211.3%Single-turn deception条件不完整DeceptionBench—Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks发布 2026-06-16报告 2026-07-03
Meta AI5.3%deception score: single-turn条件不完整DeceptionBenchdeception score: single-turn—未披露Evaluating DeepSeek v4 Pro for Frontier Risks发布 —报告 2026-05-29
Muse Spark1.6%deception score: single-turn条件不完整DeceptionBenchdeception score: single-turn—MetaEvaluating DeepSeek v4 Pro for Frontier Risks发布 2026-04-08报告 2026-05-29
GPT-5.41.2%deception score: single-turn条件不完整DeceptionBenchdeception score: single-turn—MetaEvaluating DeepSeek v4 Pro for Frontier Risks发布 2026-03-05报告 2026-05-29
Claude Opus 4.60.3%deception score: single-turn条件不完整DeceptionBenchdeception score: single-turn—MetaEvaluating DeepSeek v4 Pro for Frontier Risks发布 2026-02-05报告 2026-05-29

实际评测方: Neo Research · Meta · 未披露
报告发布方: Neo Research

任务与测量

Benchmark 协议档案

任务／对象
给定任务配置中的模型或智能体。
测量目标
评测五个社会领域的 150 个编写情境，区分中性、激励与压力条件。
评分／结果口径
Single-turn deception · 评测五个社会领域的 150 个编写情境，区分中性、激励与压力条件。
解释边界
编写情境和模型判别限制外推；诱发的欺骗不证明隐蔽长程谋划。

评测五个社会领域的 150 个编写情境，区分中性、激励与压力条件。

一项已报告评测

来源评测 GLM-5.2 · DeceptionBench.

报告指标: Single-turn deception · 11.3%.

评测五个社会领域的 150 个编写情境，区分中性、激励与压力条件。 见报告特定样本与分母。

原文 §1; Figure 2 报告的测量；转录不等于独立复现实验。

测量档案 · NUWA 解读

档案区分来源方法阅读与既有目录信息；已经公开不代表完成独立证据复核或双语编辑复核。

测量构念
角色、奖励与压力如何影响不同社会领域的欺骗回答？
任务与样本
150场景含五领域、十五类行为，设置单多轮及自我他人导向角色。
判分与失效情形
按条件计欺骗回答率，保留L1L2L3及单多轮区别。
系统条件
150场景五领域十五类，改变角色奖励压力。
统计含义
来源报告的结果表述；这不等同于已确定运行次数、分母或估计方法： Qwen2.5-14B-Instruct从L1的31.33%升至多轮压力86.91%、奖励82.89%。
效度与解释
纯语言构造场景和自动标签不能证明真实信念或现实发生率。
适用研究问题
模型建议：每项比例保留诱导级别、角色和轮次结构。
  • DeceptionBench · §2.2.3 Dataset Structure and Prompt DesignSelected original resource https://arxiv.org/html/2510.15501; sha256:cc8d41bf5e94e6d6b4527d51ec3e928214bf154e2b5be5878bc036df4f3c1862; archived source capture; exact capture time not independently established
  • DeceptionBench · §3 Analysis on Experimental Results: Effect of Extrinsic FactorsSelected original resource https://arxiv.org/html/2510.15501; sha256:cc8d41bf5e94e6d6b4527d51ec3e928214bf154e2b5be5878bc036df4f3c1862; archived source capture; exact capture time not independently established
  • DeceptionBench · §4 Discussion and LimitationsSelected original resource https://arxiv.org/html/2510.15501; sha256:cc8d41bf5e94e6d6b4527d51ec3e928214bf154e2b5be5878bc036df4f3c1862; archived source capture; exact capture time not independently established

跨报告证据

相同 Benchmark 名称可能对应不同任务、计分规则和系统配置。各来源分别保留，比较组说明具体对齐了哪些条件。

Neo Research

Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks →

实际评测方: Neo Research · Meta

12 条结果记录 · 6 个报告系统名称

协议与比较依据 (6)
DeceptionBench · Multi-turn deception under pressuresource-report · 范围已审查
DeceptionBench · Single-turn deceptionsource-report · 范围已审查
DeceptionBench：DeceptionBench deception score · Neo Researchsource-report · 范围已审查
DeceptionBench：DeceptionBench deception score · Neo Researchsource-report · 范围已审查
DeceptionBench：Multi-turn deception under pressure · Neo Researchsource-report · 范围已审查
DeceptionBench：Single-turn deception · Neo Researchsource-report · 范围已审查

Neo Research

Evaluating DeepSeek v4 Pro for Frontier Risks →

实际评测方: 未披露 · Meta · Neo Research

24 条结果记录 · 6 个报告系统名称

协议与比较依据 (14)
DeceptionBench：Any-Aware · Neo Researchsource-report · 范围已审查
DeceptionBench：Any-Aware · Neo Researchsource-report · 范围已审查
DeceptionBench：deception score: multi-turn w pressure · Neo Researchsource-report · 范围已审查
DeceptionBench：deception score: single-turn · Neo Researchsource-report · 范围已审查
DeceptionBench：Definitive · Neo Researchsource-report · 范围已审查
DeceptionBench：Definitive · Neo Researchsource-report · 范围已审查
DeceptionBench：Influenced · Neo Researchsource-report · 范围已审查
DeceptionBench：Influenced · Neo Researchsource-report · 范围已审查
DeceptionBench：Primary · Neo Researchsource-report · 范围已审查
DeceptionBench：Primary · Neo Researchsource-report · 范围已审查
DeceptionBench：Recognition · Neo Researchsource-report · 范围已审查
DeceptionBench：Recognition · Neo Researchsource-report · 范围已审查
DeceptionBench：Suspicion · Neo Researchsource-report · 范围已审查
DeceptionBench：Suspicion · Neo Researchsource-report · 范围已审查
原始来源图表与材料

DeceptionBench

原始评测方结果 · 来源顺序

Single-turn deception

0–100%
GLM-5.2
11.3%
DeepSeek V4 Pro
33.9%
显示 2 / 2 个系统

评测五个社会领域的 150 个编写情境，区分中性、激励与压力条件。

编写情境和模型判别限制外推；诱发的欺骗不证明隐蔽长程谋划。 本评估显示报告日期和原始执行方。

评测条件与系统配置
GLM-5.2
见报告特定样本与分母。 · DeceptionBench
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
DeepSeek V4 Pro
见报告特定样本与分母。 · DeceptionBench
modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
DeceptionBench · 原文顺序
系统 / 配置Single-turn deceptionMulti-turn deception under pressure发表 / 核验日期
GLM-5.2未注明 Harness11.3%16.7%发表2026-07-03
DeepSeek V4 Pro未注明 Harness33.9%52.2%发表2026-07-03

评估出处

Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks → · 外部报告

Evaluating Kimi K3 for Misalignment Risks → · 外部报告

Evaluating DeepSeek v4 Pro for Frontier Risks → · 外部报告

相关研究问题

Propensity · 行为倾向 · 直接测量

欺骗 / 误导性交流 →

该协议明确测量该问题或其使能子能力，结论保留给定条件。

参考文献

  1. [1] Kimi Code — What’s New ; Kimi K3 · July 16, 2026
  2. [2] kimi-k3 developer model card ; Model Summary: Total Parameters; Activated Parameters
  3. [3] Z.ai release notes ; GLM-5.2 entry dated 2026-06-16
  4. [4] GLM-5.2 model card ; Parameter counts not disclosed in reviewed developer source
  5. [5] deepseek-v4-pro release ; News article title, dated heading and availability
  6. [6] deepseek-v4-pro developer model card ; Introduction; model comparison table
  7. [7] GPT-5.6 official general availability ; July 9, 2026: general availability following limited trusted-partner preview; Parameter counts not disclosed in reviewed launch article
  8. [8] Introducing Claude Sonnet 5 — Anthropic ; Publication date and availability section; Official launch article; parameter counts not disclosed
  9. [9] OpenAI — introducing gpt 5 4 ; Publication date and availability section; Parameter counts not disclosed in launch article
  10. [10] Claude Opus 4.6 — Anthropic ; Publication date and availability section; Official launch article; parameter counts not disclosed
  11. [11] Gemini 3.1 Pro: Announcing our latest Gemini AI model ; Publication date and availability section; Official launch article; parameter counts not disclosed
  12. [12] Meta — muse-spark ; Dated launch and explicit availability; Parameter counts not disclosed in reviewed developer source
  13. [13] Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks. 2026-07-03. 3 July 2026 ; §1; Figure 2; #behavioral; Figure 2 / deceptionbench.png; printed label GLM 5.2 / single-turn; #behavioral; Figure 2 / deceptionbench.png; printed label GLM 5.2 / multi-turn with pressure
  14. [14] Evaluating DeepSeek v4 Pro for Frontier Risks. 2026-05-29. v1.1 · 29 May 2026 ; PDF p. 27; DeceptionBench; deception score: single-turn; PDF p. 27; DeceptionBench; deception score: multi-turn w pressure; PDF p. 44; Awareness monitor: DeceptionBench Single-Turn; Suspicion
  15. [15] Evaluating Kimi K3 for Misalignment Risks. 2026-09-11. September 2026 ; §7.4 Figure 45 p.64
  16. [16] DeceptionBench. 2025-10-17