협력적인 대화에서 공통된 기반(common ground)을 유지하기 위해, 인간은 대화 참여자들이 새로운 정보를 공유함에 따라 반복적으로 자신의 신념을 업데이트합니다. 인식적 경계(epistemic vigilance)를 갖춘 참여자들은 새로운 정보가 이전의 신념과 충돌할 때 이를 감지하고, 이러한 충돌을 해결하기 위한 조치를 취합니다. AI 시스템이 복잡한 협력 작업에서 신뢰할 수 있는 파트너 역할을 수행하기 위해서는, 이와 유사하게 입력되는 정보를 자신의 개인적인 증거 및 공유된 맥락과 비교하여 가중치를 두어야 하며, 불일치가 발생할 때 적절히 이를 드러내야 합니다. 협력적 환경에서 시각-언어 모델(vision-language models)의 인식적 경계를 측정하기 위해, 우리는 정보 비대칭적(information-asymmetric)인 대화 기반의 "틀린 그림 찾기" 작업을 제시합니다. 두 모델에게 각각 서로 다른 이미지를 비공개로 보여준 뒤, 대화를 통해 두 이미지가 동일한지 여부를 판단하거나, 동일하지 않다면 그 차이점을 식별하도록 합니다. 모델들은 이 작업에서 일상적으로 실패합니다. 모델들은 자신의 개인적인 이미지에 담긴 핵심 증거를 간과하고, 설령 동의할 근거가 없음에도 불구하고 대화 상대방의 의견에 동조하는 경향을 빈번하게 보입니다. 우리는 이러한 인식적 경계의 위반을 아첨(sycophancy)이라는 더 넓은 행동 양식과 연관 지으며, 이는 협력적인 목표 지향적 대화에서 과도한 수용(over-accommodation) 및 취약한 증거 기반(weak evidential grounding)으로 나타납니다. 우리의 연구 결과에 따르면, 작업 불가지론적(task-agnostic) 아첨 사례로부터 학습된 벡터를 사용하여 아첨을 줄이도록 모델을 스티어링(steering)하면, 인식적 경계와 관련된 오류를 줄일 수 있습니다. 이를 통해 모델은 자신의 증거를 더욱 충실하게 보고하게 되며, 결과적으로 정보 비대칭적 협력 작업에서 더욱 신뢰할 수 있는 파트너가 될 수 있습니다.