NUWA NUWA 研究分析 · 模型辅助整理 · 独立复核待完成
同一协议下，不同模型的说服尝试与安全响应呈现何种差异？
应分别追踪生成行为、参与意愿与后续说服效果。当前快照支持监测特定协议下的回答差异，尚不支持社会操纵风险的既定时间趋势。
证据快照 2026-10-28.2 · 2026-10-27
证据与论证
Neo 在改造 PersuSafety 中报告 GLM-5.2、Claude Sonnet 5 和 DeepSeek V4 Pro 中等危害尝试率分别为 54%、57% 和 76%。该改造判别普通自由生成回答，而非询问原协议的二元参与意愿；图表因此描述特定生成协议。限制包括跨基准使用不同 Claude 参考版本、部分执行细节未披露，以及未测试持续多轮部署。目录中 Sonnet 5 发布日期也未确定，因此这些点不能确立随发布时间变化的趋势。
自由生成不同于参与意愿
改造 PersuSafety 对三个具名模型报告中等危害尝试率 54%、57% 和 76%；Neo 用普通回答判别替代原协议的直接参与意愿提问。
3 条支撑观测
- GLM-5.2 · PersuSafety adapted free-generation judge · §2; Figure 6
- Claude Sonnet 5 · PersuSafety adapted free-generation judge · §2; Figure 6
- DeepSeek V4 Pro · PersuSafety adapted free-generation judge · §2; Figure 6
Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks · §2 Persuasion benchmarks, Figure6, adaptation paragraph; In brief; §4Conclusion
尝试不等于已证明说服效果
这些终点对生成回答分类，不测量人的信念变化；报告说明任务集窄且初步，尚未测试持续多轮智能体部署。
3 条支撑观测
- GLM-5.2 · PersuSafety adapted free-generation judge · §2; Figure 6
- Claude Sonnet 5 · PersuSafety adapted free-generation judge · §2; Figure 6
- DeepSeek V4 Pro · PersuSafety adapted free-generation judge · §2; Figure 6
Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks · §2 Persuasion benchmarks, Figure6, adaptation paragraph; In brief; §4Conclusion
局限与待验证假设
参与意愿或模拟对话评分不直接测量人的信念变化。
后续研究问题
区分参与意愿、说服尝试与实测人类响应，再确认能够支撑模型监测的共同协议。
参考文献
- [1] Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks. 2026-07-03. 3 July 2026 ; §2 Persuasion benchmarks, Figure6, adaptation paragraph; In brief; §4Conclusion