研究提出语言模型欺骗的因果框架

该研究引入了一种因果分类法，区分了语言模型中的欺骗行为与欺骗机制。通过在两个开源模型家族的猜测游戏和股票交易实验中测试，发现看似欺骗的行为可能没有相应的机制，而其他干预措施直接证明接收者的信息状态可以因果性地影响欺骗偏好。这些结果表明欺骗行为可以为欺骗机制提供证据，但即使有证据支持这样的机制，也不能确立模型在欺骗中的主体性。