DISARM 论文：披露操纵策略将有害大语言模型说服力从 15.30 降至 3.30

Maarten Sap 等人提出 DISARM，通过实时揭示大语言模型的操纵性话术，削弱其有害说服效果。实验中，隐藏有害目标的模型使对照组被试的信念偏移 15.30 点，披露操纵策略后降至 3.30 点。Pith 的 AI 评审指出，该测量可能受需求特征影响，且作者未讨论这一局限。