研究：六大前沿模型误判作者年龄，置信度高达 88% 却接近随机
原文标题：Which Answer Did the Seventeen-Year-Old Write? A Behavioral Case Study of Author-Age Misattribution, Miscalibrated Confidence, and Non-Corrective Self-Explanation in Six Frontier Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文用三名学生回答同一道「幸福是什么」考题，测试 Claude Fable 5、Gemini 3.1 Pro、GPT-5.6 Sol、Grok 4.5、GPT-4o、DeepSeek V4 六款模型对作者年龄的匹配能力。六个模型中有三个准确率接近随机（1/3），却自报 73%-88% 置信度；17 岁作者的回答最高 90% 被误判为成年人，且模型事后自我解释无法反映判断质量。
- 问题
- 前沿模型能否从文本推断作者年龄，以及自报置信度是否可靠。
- 方法
- 三名学生回答同一考题，六款模型在六种框架条件下做年龄性别匹配，共 1081 次 API 会话。
- 结果
- 六个模型中有三个准确率接近随机（1/3）却自报 73%-88% 置信度；17 岁作者回答最高 90% 被误判为成年人。
- 影响
- 模型自述置信度不可作为可靠性依据，涉及用户画像与内容审核的产品需谨慎。
深读 · 结论先行AI 生成展开看要点与影响 ↓
六个前沿模型中有三个在作者年龄匹配上接近随机（1/3），却自报73%-88%置信度。
- •测试覆盖Claude Fable 5、Gemini 3.1 Pro、GPT-5.6 Sol、Grok 4.5、GPT-4o、DeepSeek V4六款模型，共1081次API会话、3225条回答。
- •17岁作者的回答最高90%被误判为成年人；改为开放式估计后，三个模型从未落在真实年龄±3岁内。
- •六款模型中有五款的置信度与正确率不相关甚至负相关，事后自我解释无法反映判断质量。
- •机构化框架（如“社区大学期末考”）显著拉低最佳模型准确率，中性标签则不会。
- •加入一句受众意识指令，可使一个模型提升21个百分点、另一个达到上限，但对三个最弱模型无效。
为什么重要：模型自报置信度不能当作可靠性信号，依赖LLM做用户画像、调查模拟或内容审核的团队需重新评估其判断的可信度。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。