moral-psychology

MoralityBench.ai 发布更新结果，使用经验证的人类道德心理量表对 16 个 LLM 配置各进行五轮 56 题测试，DeepSeek V4.1 Flash 平均偏离度最低（0.24），Llama 4 Maverick 答案一致性最高（93.9%），并新增 Muse Wonder、Gemini 4 Argon 和 GPT-6 Astra 的 10 月 14 日测试数据。

MoralityBench.ai 是一项新基准，将道德心理学测试改造为评估 AI 模型的工具。研究发现，大多数模型的道德回答在多次运行之间存在显著差异——这表明大语言模型的道德判断并非确定性的。