研究揭示：LLM 安全評審小組易受社交壓力影響，多數投票機制失效

大型語言模型（LLMs）正被廣泛用於檢測不安全內容，常見做法是結合多個模型的判斷以修正個別錯誤。然而，最新研究指出，當所有模型在投票前看到相同的誤導性情境時，這種協作效益可能完全消失。研究人員在受控的兩輪實驗中，讓每個模型先獨立判斷，隨後在六個模擬同儕提出錯誤標籤或選擇不置評後再次判斷，最後透過多數投票機制整合最終結果。

針對六個開源權重 LLM 與六個數據集的測試顯示，當同儕提出錯誤標籤時，平均審查者的誤報率（false-alarm rate）從同儕沉默時的 56.5% 上升至 87.5%，而多數投票機制更將整個評審小組的誤報率推高至 100%。若沒有同儕提出明確標籤，同一評審小組的表現優於其成員的平均水平。

這種影響呈現強烈的不對稱性：審查者追隨「不安全」標籤的傾向（約 75%）遠高於追隨「安全」標籤的傾向（約 17%）。這導致評審小組的誤報率急劇上升，而漏報有害內容的比率（harmful-miss rate）卻幾乎沒有變化。針對專有模型的探測也顯示，不同模型之間存在顯著差異。這些結果確認了對共享社交線索的易感性是安全評審小組的一種失效模式，並提供了一種簡單的部署前診斷方法。