摘要
大语言模型（LLM）的从众效应常用来描述模型在面对同伴或群体响应时，如何调整原本正确的答案。我们发现，即使去除同伴，这种表面上的从众现象依然存在。其原因在于一个混淆：标准的从众提示同时混合了两个线索——发言者的存在和重复的错误答案。现有的基准测试将这两个线索一起变化，因此无法确定修正的程度究竟依赖于发言者的影响。
方法
我们引入了一种无源条件：在移除显式发言者的情况下，保持相同的陈述答案。在对六种开放权重的LLM和七个问答及推理数据集的测试中，仅此条件就导致66.5%的原本正确案例发生有害修正，而在简单重询时这一比例仅为10.3%。这一效应在答案被改述时依然存在，并且在开放式设置中，当答案选项被隐藏时也如此。
结果
源框架主要调节这一底线：专家小组框架会提高这一底线，而最小化的个人标签则不可靠地提高它。当模型出现反转时，通常是自信地错误，而简单的重新校准并不能恢复原始答案。源归属仍然重要，但应当作为超过这一去发言者底线的增量来衡量。
方法论启示
从众基准应首先测量在去除发言者后剩余的部分；若不进行此步骤，基准可能会将重复文本误认为社交影响。
博主点评： 本文揭示了大语言模型在面对同伴压力时的复杂性，强调了发言者的影响在从众效应中的关键作用。通过去除发言者，研究者能够更清晰地理解模型在面对重复信息时的反应，为未来的基准测试提供了重要的改进方向。