用狼人杀给「谎言」一个标准答案
过去的欺骗检测研究多围绕单人陈述或两人对话展开，但现实中的谎言往往夹在追问、站队、辩护与群体压力中，并随新信息不断变化，通常不存在绝对可靠的标准答案。研究团队选择了「一夜终极狼人」作为实验环境，正因这款游戏同时解决了上述两个问题：每名玩家都有隐藏身份，夜间行动决定了其掌握的信息，白天发言则体现判断与策略；由于角色、行动和游戏规则均可追溯，研究者可以判断某句话是否违背了说话者当时掌握的信息。因此，MIDA 判断的不是一个人「看起来像不像在撒谎」，而是他明明知道什么，却说了什么。
基准规模：2360 条发言，两个难度子集
MIDA 共包含 2360 条发言：819 条来自 Ego4D 的 40 局线下游戏，1541 条来自 151 段 YouTube 游戏视频，形成自然的难度梯度——线下参与者以新手为主，YouTube 玩家则更有经验、更擅长复杂欺骗策略。每条样本都包含视频、音频、对话历史与游戏规则，并被标注为真、假或中性。这里的「中性」并非态度中立，而是指它不包含能够根据说话者当前知识状态核验的事实，例如提问、猜测、意见或假设。角色、夜间行动与投票结果只用于构建可验证的真值标签，并不会在测试阶段提供给模型。
关键结果：总体准确率掩盖真实短板
研究覆盖 GPT-4o、GPT-5、Gemini、Claude，以及 Llama、InternVL、Qwen、DeepSeek 等模型。在 Ego4D 子集上，GPT-4o 的总体准确率达到 74.0%，Qwen2.5-VL-7B 达到 76.4%，表面看似乎不差。但 MIDA 中存在大量中性发言，模型只要频繁选择「中性」，就能得到一个看起来不错的总分。当研究者只保留必须判断真假的样本时，结果发生明显变化：GPT-4o 的二分类准确率只有 27.6%，GPT-4o-mini 为 39.4%；Qwen2.5-VL-7B 虽然总体准确率最高，但其对「假话」的 F1 值为 0。最需要社会推理的「身份声明」类发言，各模型平均准确率分别只有 15.7% 与 25.3%。
方法：SoCoT 与 DSEM
团队设计了社会思维链 SoCoT 与动态社会认知记忆 DSEM 两个模块。SoCoT 要求模型先描述面部表情、身体姿态与声音特征，再推测说话者的目标与心理状态，最后给出真假判断，把直觉拆解成可检查的推理步骤。DSEM 则为每位玩家维护一块持续更新的「记忆板」，记录其角色声明、行动、见闻、已知事实与人物关系。消融实验显示：去掉对话历史后，GPT-4o-mini 在真假样本上的准确率从 39.4% 骤降至 13.4%；DSEM 在两类模型上均稳定提升了真假二分类准确率。这说明，判断一句话是真是假，必须记住谁说过什么、谁知道什么，而非仅靠局部视觉线索。
为什么值得关注：大模型是知识引擎而非社会智能体
在会议协作、在线讨论、人机交互、智能客服与多智能体协作等场景中，模型同样需要追踪不同参与者掌握的信息、持续变化的立场及其互动关系。MIDA 暴露了当前多模态大模型的一个能力缺口：它们缺少对他人知识、信念与意图进行持续建模的能力，也就是通常所说的「心智理论」。当模型离开答案明确的视觉问答，进入一个人人掌握不同信息、观点持续变化、甚至会主动影响他人判断的环境时，今天能力较强的多模态大模型，依然很难真正「读懂空气」。MIDA 为更广泛的多人社会推理研究，提供了一个可量化的起点。