目标对齐的对抗改写可让人工与机器测谎降至随机水平

研究用243篇真实和262篇编造的自传体故事测试语言测谎，让大语言模型把欺骗性陈述改写得更像真话。当改写与评判目标对齐时，人类判断（d = −0.07 和 d = −0.04）和机器学习判断（51% 准确率）都降到随机水平；未对齐时，人类的细节性启发式判断（d = 0.30 和 d = 0.36）与机器学习预测（63%–78%）仍显著高于随机。