12愤怒的AI陪审员：以电影式陪审团评议评估多智能体LLM决策

如果Sidney Lumet《十二怒汉》（1957）中的十二名陪审员不是人而是大语言模型会怎样？那位持异议的陪审员还能改变所有人的想法吗？该论文将这一场景实例化为LLM评议的多智能体基准：十二个智能体各自按忠于电影的人设设定，用多智能体框架辩论片中的谋杀案。测试了代表RLHF光谱两端的两个模型：GPT-4o（闭源、重对齐）与Llama-4-Scout（开放权重、轻对齐），跨三种条件（基线、开放思维提示、无初始投票），每格N=3次重复（共18次运行）。得到三个发现。(i) 十八次运行中十七次以陪审团僵局告终（未能达成一致裁决）；影片的核心事件——少数派逐渐说服多数派——几乎从不发生，说明锚定是当前LLM在此 setting 中的主导失败模式。(ii) 两个模型呈现截然不同的内部动力学：GPT-4o在所有条件下平均每次运行1.0次投票改变，而Llama-4-Scout从2.0（基线）到6.0（开放思维提示）不等，且是唯一达成NOT_GUILTY裁决的模型（无初始投票条件3次中的1次）。同一条「开放思维」指令被Llama内化、被GPT-4o忽略。(iii) 这种不对称提示：在多智能体 setting 中，决定评议灵活性的主要因素是RLHF对齐训练的强度，而非模型能力。追踪人类评议的是灵活性而非能力。该工作定位为探索性研究，并讨论其对LLM陪审团评估与多智能体辩论的启示。