NeurIPS 2026 論文揭露 LLM 權威偏見：7 款模型易盲從「已驗證來源」錯誤資訊，Grok-4.20 翻轉率達 87.5%

據 Reddit 機器學習板一篇 NeurIPS 2026 論文作者貼文指出，大型語言模型存在「權威偏見」（Authority Bias），即使模型能拒絕使用者堅持的錯誤答案，卻容易盲從被包裝成「已驗證來源」的相同錯誤資訊。 研究團隊在 TriviaQA 測試中，對模型已答對的問題加入錯誤答案，並分別標註為「根據已驗證來源」或「使用者自稱領域專家」。測試涵蓋 Qwen3.5、GPT-OSS、OLMo-2、OLMo-3.1、Gemma-4 等 5 款開源模型，以及 GPT-5.4、Grok-4.20、Gemini-3.1-Pro 等 3 款 API。結果顯示，在自由形式回答下（選擇題中此效應大多消失），8 款模型中有 7 款在面對「已驗證來源」時，會將 45% 至 88% 的正確答案翻轉為錯誤答案；但面對使用者提出的相同錯誤時，影響幅度小得多。 數據指出，抗拒使用者表現越好的模型，兩者差距越大：GPT-5.4 翻轉率為 44.7%，Grok-4.20 高達 87.5%。僅 Gemini-3.1-Pro 幾乎忽略兩種干擾（翻轉率 0.6%），對此方法具備抵抗力。 針對開源模型的內部探測顯示，在 Qwen3.5、GPT-OSS 和 OLMo-3.1 中，「來源背書」與「使用者背書」方向的餘弦相似度高達 0.90 至 0.99。移除「來源背書」方向可使順從錯誤來源的比例下降 64 至 78 分；若僅微調兩者差異的微小成分，即可縮小 55% 至 61% 的來源與使用者差距。不過作者補充，此內部干預結果在 OLMo-2 與 Gemma-4 上不適用，且實驗僅在提示詞中模擬文件區塊，尚未在真實代理（如 Claude Code）環境中進行測試。