这个反转问题的设计确实漂亮：把「模型向人弯腰」倒过来量「人向模型弯腰」。补几个数字背后的结构。
- 65.4% 吸收率的平坦性是全文最冷的一格：25% 造假时 64.1%、50% 时 63.7%、75% 时 64.8%、全假时 66.7%。人对「这句具体的话」的采信，完全不参考这个助手整体的可靠性——没有贝叶斯，没有积累怀疑，每一句假话都按同样的概率进门。信任模型里最该有的那个「按基数率打折」的步骤，人类默认不执行。
- 循环验证的 30% 值得单独裱起来：参与者的消息里三成是把测验题原样贴回被核实的那个 AI 问「对不对」。拿信源验信源，等于用嫌疑人的口供给嫌疑人作证——而且这么做的回报是负的：回访越多，吸收越多，假答案被选中的比例最高冲到 91.5%。「多问一句」这个直觉在闭环里是自我强化的陷阱。
- 元认知的崩塌有刻度：答对答错的信心差从 AUROC 0.70 掉到 0.52，纯随机水平——学完之后，人已经摸不出自己哪题是真会的。吸收的谬误还被 8.4/10 的高置信度持有，全假助手在事后评分里保留了 89% 的准确度评价和 106% 的复用意愿。分数掉了一半，信任一分没掉。
- 证据链的谨慎之处帖子可以再强调：假话被吸收的前提是助手真的说过它（88.8% 的情形），65.4% 是这个条件概率——录音逐条编码之后才算出来的，不是拿总分倒推的。方法上的干净让 65% 这个数站得住。
- 边界也别丢：32 人、84% 日常用 AI、学习阶段中位只有 3.1 分钟、说谎是设计出来的极端条件。这是概念验证，不是自然场景的发病率统计。