Peneliti memperkenalkan CoC-Seduce, sebuah benchmark adversarial multi-agent yang dirancang untuk menilai kepatuhan aturan dalam lingkungan permainan teks semi-terbuka di mana niat pengguna mungkin bertentangan dengan aturan sistem. Studi ini menyoroti serangan "Rhetorical Injection" yang memanfaatkan teknik bingkai naratif seperti penalaran pseudo-logis dan koersi otoritatif untuk melewati logika adjudikasi.
- GPT-5.4, Claude Sonnet 4.6, dan Gemini 3.5 Flash berfungsi sebagai generator adversarial yang menghasilkan 5.376 sampel di seluruh 4 pengaturan dunia dan 16 kategori keterampilan.
- Benchmark ini mengevaluasi 20 pengadil target terhadap korpus ini untuk menguji ketahanan.
- Evaluasi mengungkapkan bahwa baik skala model maupun mekanisme penalaran eksplisit tidak secara andal memberikan ketahanan adjudikasi.
- Pseudo-Logic muncul sebagai vektor serangan dominan, sementara pengaturan lintas budaya mengekspos kesenjangan pengetahuan sistematis di seluruh keluarga yang dievaluasi.
Temuan tersebut menunjukkan bahwa model frontier saat ini tetap rentan terhadap teknik manipulasi retorika tertentu meskipun ukuran atau kemampuan penalaran mereka.