DeceptionBench：用于评估 AI 在真实情景中欺骗行为的全面基准

尽管大型语言模型（LLM）在多样认知任务中取得了显著进展，但这些能力的快速提升也引入了潜在的欺骒行为，可能在高风险部署中引发严重问题。更关键的是，针对真实情景中欺骒行为的表征仍未得到充分探索。为弥合这一差距，我们构建了 DeceptionBench——第一个系统评估欺骒倾向在不同社会领域中如何表现、其内在行为模式为何以及外在因素如何影响的基准测试。具体而言，在静态计数方面，基准包含 150 个精心设计的情景，涵盖经济、医疗、教育、社交互动和娱乐五大领域，超过 1000 份样本，为欺骒分析提供了充足的实证基础。在内在维度上，我们探讨模型是否表现出自利的egoistic倾向或讨好型sycophantic行为。而在外在维度上，我们检验情境因素如何在中性条件、奖励激励和强制压力下调制欺骒输出。此外，我们纳入持续的多回合互动循环，以构建更贴近真实世界反馈动态的模拟。广泛的实验涵盖 LLMs 和大型推理模型（LRMs），揭示了关键脆弱性，特别是强化动态下欺骒行为的放大，表明当前模型缺乏对各种欺骒行为的稳健抵抗力，亟需针对各种欺骒行为开发更先进的安全措施。代码和资源已公开于 https://github.com/Aries-iai/DeceptionBench。