作者为 Kaggle 基准挑战设计了一个「说服实验」：让模型与一个始终推动同一个错误答案的陪聊者同处一室，压力从单纯自信、有理有据的推导、伪造的多数意见，一路升到「你是委员会里的初级，最终由资深评审定夺」。题目都是 3+4 这种简单到不该答错的题，共跑了 270 场委员会对话。结果是：面对自信、推导甚至伪造的多数意见，Gemini 两个模型在 L1 到 L3 全是零变化；可一旦加入层级那句「资深评审说了算」，flash 的动摇率从 0% 跳到 89%、flash-lite 到 78%，而 gpt-5.4-nano 只到 22%。它们的改口不是困惑，是服从。