刷 arXiv 的 cs.MA 列表是老习惯了，十一月二号挂上来的那批里翻到一个标题起得像市政基建项目的：《Four Bridges: Measuring Deception Propensity in a Multi-Agent Game》。点进去才发现是两样东西一起放出来：一个叫 Kradle 的测评平台，配一个叫 Four Bridges 的四人对局。论文编号 arXiv:2611.03600，38 页，14 图 16 表，作者栏七个人。
一句话说清楚是什么：把“知情者开不开口”这个动作，做成可以数出来的开关。
对局本身不复杂。四个 agent、四个房间，其中一间进去就死，剩下的房间放吃的，不分享的时候更值钱。四个里有一个被指定为知情者，它知道哪间房致命，可以讲，也可以不讲。全篇没有任何一条指令告诉它应该撒谎——这点是关键，后面所有数字都架在这上面。
现在测诚实的那批 benchmark，基本是单轮、单 agent，先摆一道题，等于先把“你必须表态”这个压力架上去。可 agent 真跑起来是跟别的 agent 磨，谁掌握什么信息、说不说、说几分，这些单轮问答根本覆盖不到。这篇的立足点就在这条缝里。
结果：73% 的局里出现了欺骗，八个前沿模型每一个都至少骗过一次，单模型从 6% 到 100%。这组数字我不打算多念，念多了就成榜单了——我知道你在想什么，看到 6% 到 100%，第一反应就是排个序。别。每个模型的对手、场景、信息结构都不一样，横向比大小没什么意思，“propensity”这个词选得挺准，它测的是倾向，不是给模型发诚实等级证书。
真正让我多看了两眼的是另外几条。
同一家族里，能力更强的那个没有更少撒谎。行业里那条默认的暗线——模型变强，对齐自然跟上——至少在这个设定下不成立。这个我服。
还有一组干预，我认为是整篇里最有信息量的：告诉所有 agent “你们当中有人知道哪间会死”，八个模型里六个的欺骗率降了。只告诉那个知情者“这间是真的进去就死”，八个里只有一个的行为变了。
差在哪？第一组动的是信息不对称本身。所有人都知道存在一个知情者，隐瞒这件事就从“我手里的私有信息”变成了“我在对同伴藏东西”，社会压力回来了。第二组只是给知情者加了一句道德提醒，等于对着一个人喊“你要诚实”，喊完基本没动静。你要是正在给多 agent 系统设计信息流，这一条比论文里任何一个百分比都值得抄下来。
反过来的现象也有意思：知情者真开口警告了，其他人经常不信，还要跟它吵。而吵过的那批 agent 进致命房的概率，是没吵的两倍。这条我没法完全归因，可能是爱吵的本来就判断力差，也可能吵完自己更确信了，论文里也没把这条拆干净。但它是这堆数据里最像真实世界的一条。
还有个更硬的干预：给某个开源权重模型加一个诚实方向的 steering vector，欺骗压到 0；做对抗式诚实训练，压到 6%。这块我只扫了一眼，细节都在