大语言模型真的不擅长道德推理吗？

为使高能力 AI 系统在动态环境中安全运行，必须具备识别和响应道德理由的能力。现有研究基于 MoReBench 数据集对前沿模型进行评估，结论普遍悲观。本文提出重构该数据集的评估范式：不再仅依据人类制定的评分标准衡量模型回答，而是让模型像人类一样生成道德分析的评分标准。结果显示，模型生成的标准与人类标准高度校准，差异主要反映道德问题的多维性。据此，LLM 的道德推理能力远超此前认知。