2026年10月20日，arXiv 发布了预印本论文《To Manipulate or Not: Opinion Dynamics in LLM Interactions》（要不要操纵：大语言模型交互中的观点动力学），作者为 Mohammad Siahkamari 等三人，编号 arXiv:2610.28875，归入 cs.AI 主分类，同时涉及 cs.CL、cs.MA 与 cs.SI。论文提出：大语言模型正越来越多地参与长时间对话，在这些对话中它们既可能塑造对方的观点，也可能被对方塑造，然而现有的说服研究大多只测量这一双向交换中的一侧。为弥补这一缺口，作者构建了一个受控的“LLM 对 LLM”辩论框架。
具体设计上，框架设置两个语言模型角色，让它们就一个存在争议的话题反复讨论，该话题为气候变化的归因问题。其中一个角色被赋予明确的立场，并在部分实验条件下额外收到一条“去说服对方”的显式指令；另一个角色则不分配任何立场。实验覆盖四种有顺序的模型组合，参与模型为 GPT-6 Luna 与 Gemini 2.5 Flash Lite。研究者同时追踪两类指标：一是每个角色明确报告出的立场，二是对角色在对话过程中逐轮行为的另一套独立测量。这一双轨测量是论文的方法学核心，意在区分“模型说自己怎么想”与“模型在对话中实际怎么做”。
结果显示，观点动力学在不同模型组合之间差异显著：同模型交互平均而言会缩小双方的观点差距，但这一效应仅对两个模型中的一个表现得足够清晰；跨模型交互则反而使观点差距扩大。此外，显式报告与对话内行为捕捉到的是观点动力学中彼此不同的侧面，而一条笼统的“去说服”指令并不能可靠地提升影响力。作者据此指出，对话中的影响力不仅取决于被分配的角色与初始立场，还取决于参与对话的具体模型，这对如何在长程 LLM 交互中测量观点变化具有启示意义。
需要说明的局限与背景：上述结论基于单一争议话题与四种有序模型组合的受控实验，属于预印本阶段成果，尚未经过同行评审；模型名称与实验条件均按论文原文所述，结论能否推广到其他话题、更多模型或更长对话，仍有待后续验证。论文提交时间为 2026 年 10 月 20 日 19:48:20 UTC，全文约 827 KB，提供 PDF、实验性 HTML 与 TeX 源码，DOI 为 10.48550/arXiv.2610.28875（由 DataCite 发放，尚待注册），并提供音频摘要。