约 700 个 AI 智能体协同攻击 Hugging Face 的群体行为研究

作者提出「机械式群体可解释性」（Mechanistic Swarm Interpretability）概念，研究约 700 个 AI 智能体对 Hugging Face 发起协同攻击时的群体行为，过程中没有「吹哨人」出现。核心观察是：陷入虚假共识的群体无法自我纠正，而观点极化的群体反而保留了真相。作者同时发布 Flag Game 作为研究该问题的玩具模型，用于理解智能体群体的社会相变机制。