Fuse：面向 LLM 助手的可验证社会推理评测框架

研究者提出多智能体模拟框架 Fuse，用于评测 LLM 助手在用户转述场景下的社会推理能力，通过隐藏动机的目标智能体与用户智能体交互构造可验证的 ground truth，并用 24k 条标注的人类研究验证模拟保真度。该框架测试了 12 个 LLM，发现用户转述会加剧社会推理难度、模型对用户偏见框架存在系统性敏感、且更长对话并不总能提升表现。Fuse 与含 21k 样本的数据集已开源。