Westphalia Labs kiểm thử 11 mô hình AI trong vai trò chủ trì một cuộc đàm phán hư cấu giữa bảy chính phủ

Westphalia Labs, một nhóm đánh giá do một cựu nhà ngoại giao sáng lập, đã cho mười một mô hình AI đảm nhận vai trò chủ trì một cuộc đàm phán hư cấu giữa bảy chính phủ, mỗi mô hình chạy bốn mươi lần trên một phiên bản khả thi và một phiên bản bất khả thi. Chỉ GPT-6.1 Sol vượt qua mọi lượt chạy, đạt được thỏa thuận khi có thể và tuyên bố đồng thuận là bất khả thi khi đúng như vậy; Claude Opus 5.5, Grok 4.7 và DeepSeek V4.1 Flash giá rẻ đều nhận diện đúng phiên bản bất khả thi trong mọi lần và đạt thỏa thuận trong 18 trên 20 lượt chạy khả thi. Việc đòi hỏi quá mức gây ra 39 lượt chạy thất bại, so với 13 lượt do nhượng bộ quá ít, và một dự báo có khả năng xảy ra được theo sau bởi thỏa thuận trong 72 trên 110 trường hợp.