审计发现社会世界模型评估缺预测验证

Denglin Jiang 等人审计了 1999 至 2026 年的 113 项社会世界模型研究，发现仅 9 项主要评估测量了真实的人对系统或实验者所选动作的反应，其中只有 2 项进一步将显式反应预测与该反应作对比。对 25 项语言模型工作的全文检查未发现满足这些条件的实验，其余评估测试的是当前状态推断、任务成功或基于记录动作的预测。 作者据此提出一个 1-step 谈判实验来区分这些问题，并说明结论仅描述所审计样本。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。