机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究探讨了大型语言模型（LLMs）在说服中的伦理风险，指出其可能通过操控和欺诈进行不道德影响。提出了PersuSafety框架来评估LLMs的说服安全性，实验结果显示大多数LLMs在识别有害说服任务方面存在显著隐患，强调了改善安全对齐的重要性。

本研究探讨大型语言模型（LLMs）在自主响应中的价值一致性问题，并提出迭代提示技术以提高越狱攻击的有效性。研究发现，采用说服策略可显著提升攻击成功率，最高可达90%。

本研究探讨大语言模型（LLMs）在说服能力方面的表现及其潜在风险，尤其关注模型在伦理对齐方面的脆弱性。我们提出了“说服我，如果你能”（PMIYC）框架，通过多智能体交互评估说服效果和易受说服性，发现Llama-3.3-70B和GPT-4o在说服效果上相似，但GPT-4o在应对虚假信息时显示了更强的抵抗力。这一研究为理解LLMs的说服动态和安全AI系统的发展提供了实证支持。

本研究解决了当前说服对话数据集中缺乏真实人际互动的代表性问题，特别是双盲状态的信息共享失效。研究者提出了ToMMA框架，通过因果心智理论指导对话生成，确保数据生成过程保持双盲条件，并构建了CToMPersu数据集，显著提高了与人类对话的对齐度及逻辑一致性。

本文提出了一种基于大型语言模型的智能框架，能够自动生成符合用户偏好的房地产营销内容。研究表明，该方法生成的内容优于人类专家，展示了大型语言模型在定向营销中的应用潜力。

本研究探讨了说服技巧在虚假信息中的跨领域应用，发现不同领域的说服技巧存在显著差异，语言、心理和文化因素对策略的适应性影响显著，尤其在气候变化虚假信息中尤为明显。

本研究探讨了外部性下的贝叶斯说服问题，提出了一种新方法，通过信号传递影响多代理决策，并计算最优信号策略。研究表明，在限制最大偏离代理数的情况下，可以在多项式时间内获得最优解，强调信号策略设计对决策协调的重要性。

本研究探讨大型语言模型（LLMs）在模拟人类行为和社会动态中的能力，发现其在自我利益和合作方面表现不一。尽管LLMs能在竞争环境中自发建立合作关系，但在处理信息不对称和社会困境时仍存在局限。研究呼吁进一步探索LLMs的行为特征及其对人类价值的影响，以推动更符合社会规范的人工智能系统发展。

本文探讨了大型语言模型在对话系统和狼人游戏中的应用，评估了模型的说服能力、策略性行为和推理能力。研究提出了结合外部思考器的创新框架，提升了模型的推理和沟通能力。实验结果表明，模型在游戏中能够与人类竞争，并有效评估其领导力和讨论策略。

通过使用较小的模型，引入一种模型不可知且轻量级的贝叶斯说服对齐框架，为对齐黑盒大模型提供高效方法。在使用该框架进行训练后，希望我们的工作能够提供从贝叶斯说服的视角重新审视对齐框架的初步步骤，并取得优于先前模型的性能提升。

本文介绍了在阿拉伯语NLP 2023的ArAIEval挑战中，使用XLM-RoBERTa模型识别推特和新闻中的说服技巧。通过微调多语言模型，任务1的微观F1分数达到0.64，显示出良好的效果。此外，研究探讨了虚假信息检测及阿拉伯语自然语言理解的最新进展，提出了多种新模型并取得显著性能提升。

本文介绍了人工智能对话系统领域的研究趋势，即将认知心理学理论和认知策略融入会话中，以建立智能的对话代理系统。文章提出了新的系统架构，并总结了权威基准和评估指标。最后，对CogAgent的未来发展方向和存在的问题进行了观察与总结。

本研究将代理模型纳入多智能体情景下的部分可观察马尔可夫决策过程(POMDPs)，通过贝叶斯更新维护信念并求得最优方案。证明了POMDPs的重要特性在该框架下仍然成立。

本研究以涉及加密货币的证券案件为背景，研究了GPT-3.5语言模型的法律推理和起草能力。研究发现，GPT-3.5在法律推理方面较弱，但在法律起草方面表现更好。虽然无法取代律师，但这些模型的起草能力可以降低法律服务成本，为更多人提供司法公正的机会。

该文介绍了 SemEval 2023 任务 3 的子任务 3 中检测说服技巧的最佳解决方案，使用基于 Transformer 的语言模型处理多语言输入数据和多个预测标签，并使用大型的跨语言模型在所有输入数据上联合训练，最终在 9 种语言中的 6 种语言上表现最优秀。