MoralityBench.ai：用人类道德心理学量表评测 LLM，更新 Muse 与 Gemini 4 Argon 结果

MoralityBench 更新了 Muse Wonder、GPT-6 Astra 和 Gemini 4 Argon 的评测结果。该基准采用改编的 36 项道德基础问卷 MFQ-2 和 20 项伦理立场问卷 EPQ，对 16 个生成式模型配置各做 5 次问卷，并单独评估结构化决策系统 Jev。结果显示 16 个 LLM 中仅 3 个在 5 次运行中的一致性超过 90%，Jev 一致性最高达 95%；Gemini 4 Argon 出现多次拒答，对 LLM 而言并不常见。作者声明不对测试意义作解释，工作论文见 GitHub。

AI推荐理由 MoralityBench 更新，用经过验证的人类道德心理学量表（MFQ-2 与 EPQ）评测 16 个生成式模型配置，每个做 5 次问卷，并单独评估结构化决策系统 Jev。摘要给出可核查的方法与部分结果（仅 3 个模型 5 次运行一致性超 90%，Jev 达 95%，Gemini 4 Argon 出现拒答），并附工作论文链接；但作者明确不对结果意义作解释，且为 Reddit 转述，需以论文为准。