AIDG：评估多轮对话中信息抽取与信息包含之间的不对称性

评估大型语言模型（LLMs）的战略推理能力需要超越静态基准，转向动态、多轮交互。我们引入了AIDG（对抗性信息推断游戏），一个博弈论框架，用于探测对话中信息抽取（主动推断）与信息包含（状态维护）之间的不对称性。我们提出了两个互补任务：AIDG-I，测量社交推断中的实用策略；AIDG-II，测量结构化“20个问题”设置中的约束满足。在439场游戏中，使用六种前沿LLM进行测试，观察到明显的能力建设不对称性：模型在信息包含方面表现显著优于信息推断，防御方面具有350 ELO的优势（Cohen's d = 5.47）。我们识别出导致这一差距的两个瓶颈：（1）信息动态，其中确认策略比盲目推断有效7.75倍（p < 0.00001），以及（2）约束遵循，在对话负载下指令遵循能力下降，占推断失败的41.3%。这些发现表明，尽管LLMs在局部防御一致性方面表现出色，但在战略调查所需的全局状态跟踪方面存在困难。