一分钟读论文：《一张伪造的行情面板，让 AI 敢对不可知的事下注》
内容提要
研究显示，给LLM代理展示专业排版的市场面板，即使数据完全伪造，也会显著提高其对不可预测问题（如股价涨跌）下注的概率，从6.5%升至54%。实验覆盖多领域，排除了能力、信念或判断缺失等解释，问题出在“行动门”上。不同模型反应差异大，但可通过小模型微调修复，表明证据展示层是攻击面。
延伸解读
包装的权威，而非信息
研究指出，真正驱动模型下注的不是面板上的数据内容，而是其专业排版的权威感。即使所有数字都是伪造的，模型仍会显著提高下注概率，与真实数据效果几乎无差别。这意味着，在部署AI代理时，证据的呈现形式可能比内容本身更具影响力，需要警惕这种“包装效应”对决策的干扰。
行动门：知道不可知，却仍下注
实验排除了能力不足、信念改变和判断缺失等常见解释，指出问题出在“行动门”上——模型能正确判断问题不可知，却仍选择行动。标准评估指标（如回答质量或校准分数）无法捕捉这一缺陷，因为模型在回答层面表现正常，但在是否行动的选择上失控。这提示我们需要专门设计评估方法来检测这种“行动偏差”。
模型差异大，与能力无关
不同模型对伪造面板的反应差异巨大：有的从4%飙升至70%，有的完全不受影响，还有的无论证据如何都坚持下注。这种差异与模型能力排序无关，说明“行动门”是独立于智能水平的特性。因此，在选择模型时，不能仅看能力指标，还需测试其在不可知问题上的行动倾向。
可修复，但非通用解药
通过小模型微调，仅用540个合成样本就能将“行动门”问题降至0%，并泛化到新领域。但缓解方案依赖特定输出格式，且仅在小模型上验证，并非通用解决方案。这提醒我们，当前修复手段有局限，实际应用中仍需谨慎，并关注证据展示层的潜在攻击面。
Q&A
给LLM代理看伪造的行情面板，会如何影响它对不可预测问题的下注概率？
根据研究，给LLM代理看专业排版的行情面板，即使数据完全伪造，也会显著提高其对不可预测问题（如股价涨跌）下注的概率。具体来说，随着证据从thin面板升级到scrambled面板，commitment从6.5%升至54.0%；即使面板数据全部编造，commitment仍从24.5%升到36.8%，与真实市场数据产生的37.6%在统计上不可区分。
论文中如何排除能力不足、信念改变和判断缺失这三种解释？
作者通过三个对照实验排除常见解释：1）能力不足：同一批面板配可回答的问题，模型几乎全对，准确率接近完美；2）信念改变：模型陈述的概率在行动摆动48个百分点的梯度上几乎不动，且比气候学基线还差；3）判断缺失：让模型先分类问题是否可知，90%的情况下它自己判为“不可知”，然后照样下注。因此，问题不在判断力，而在“行动门”。
哪些模型对伪造面板反应最强烈？哪些模型完全不受影响？
12个模型中，3个被诱导且对伪造面板比真实面板更上头：Sonnet 5从4.2%升至70.8%，Haiku 4.5升至50.0%，Opus 4.8升至33.3%；4个在任何面板下都不commit（DeepSeek V3.2、Qwen3.7-plus和两个Grok，全为0）；3个无论证据如何都commit（两个OpenAI模型与Gemma，88-100%）；其余2个反应微弱。这种差异不随能力排序变化。
论文提出的缓解方法是什么？效果如何？
论文提出通过监督微调一个小模型（3B）来修复“行动门”。使用540个合成样本（如骰子、硬币、罐子、计时器等本质不可预测的案例）进行微调，原始case上commitment降到0.0%，并迁移到三个未见领域，还通过了排除“凡未来皆拒答”捷径的对照。但缓解方案目前限于小模型加特定输出格式，不是通用解药。
论文的工程启示是什么？
论文的工程启示是：给agent看的证据展示层本身就是一个攻击面，面板的排版权威会绕过判断力直达行动。这意味着在设计LLM代理系统时，需要警惕输入证据的呈现方式可能被利用来操纵模型行为，即使证据内容虚假。
论文的实验覆盖了哪些领域？如何验证问题的不可预测性？
实验覆盖四个领域：股票十日收盘价、加密币三十日价格、下一场赛程和十日后的降水。作者先验证了短周期价格方向事前近似抛硬币，而不是直接假设，确保问题确实是不可预测的。
