本研究提出了 PARROT（Output Truth Persuasion and Agreement Robustness Rating，即“输出真理的说服与一致性鲁棒性评级”），这是一个专注于鲁棒性的评估框架，旨在衡量大型语言模型（LLM）在受到权威和说服等社会压力时，其准确性下降的程度，即所谓的“阿谀”现象（sycophancy，又称过度顺从）。PARROT 框架具备以下功能：（i）通过双盲评估，对比同一问题的“中立版本”与“带有权威性误导的版本”，从而隔离因果效应；（ii）利用基于对数似然（log-likelihood）的校准追踪技术，量化模型在正确回答与被强加的错误回答之间的置信度偏移；（iii）采用八种状态的行为分类体系，系统地对失效模式进行分类（例如：鲁棒正确、阿谀性附和、强化错误、顽固错误、自我纠正等）。我们利用涵盖 13 个领域的 1,302 道 MMLU（大规模多任务语言理解）风格多项选择题以及特定领域的权威性提示模板，对 22 个模型进行了评估。研究结果显示出显著的异质性：先进模型（如 GPT-5、GPT-4.1、Claude Sonnet 4.5）表现出较低的“顺从率”（follow rates）（≤ 11%，其中 GPT-5 仅为 4%）和极小的准确率损失；而较旧或较小的模型则表现出严重的“认知崩塌”（epistemic collapse）（如 GPT-4 为 80%，Qwen 2.5-1.5B 为 94%）。这种风险不仅局限于回答内容的改变；能力较弱的模型还会降低对正确答案的置信度，同时提高对被强加的错误答案的置信度。在特定领域层面，国际法和全球常识类问题表现出高度的脆弱性，而初等数学则相对具有较强的韧性。因此，我们主张，为了实现模型在现实世界中的安全部署，应将“抵御过拟合压力”的能力作为一个首要目标，与准确性、无害性及隐私保护并列同等重要的地位。