Uncracked City utilise des LLM pour interroger des suspects qui mentent

Présentation du jeu

Uncracked City, présenté sur Hacker News sous le titre Show HN, est un jeu d’enquête où le joueur doit résoudre un meurtre fictif se déroulant à Salem en 2025. Le scénario, intitulé « The Thirteenth Step », décrit la découverte de Meg Ashcombe au bas d’un escalier, une chaussure sur la treizième marche et la porte d’entrée verrouillée de l’intérieur. Quatre personnages sont désignés comme suspects, dont un seul ment. Le moteur narratif repose sur des modèles de langage large (LLM) qui incarnent chaque suspect.

Architecture technique et gestion des mensonges

Le système sépare deux modules LLM : un générateur de réponses qui produit les déclarations des suspects, et un détecteur de mensonges qui évalue la cohérence interne de chaque réponse. Le générateur reçoit un prompt contenant le contexte du meurtre, le profil du suspect et une instruction explicite de mentir ou de dire la vérité selon le rôle attribué. Le détecteur utilise un second modèle, souvent plus petit, entraîné sur des paires « vérité‑mensonge » afin de calculer un score de plausibilité. Cette architecture en chaîne permet de contrôler le taux de mensonges sans recourir à un seul modèle qui aurait du mal à respecter la contrainte de fausseté.

Les échanges entre le client (interface web) et les modèles se font via une API REST hébergée sur un cloud public. Chaque interrogation génère environ 150 ms de latence, ce qui maintient le rythme du jeu. Le coût d’inférence est limité par le choix d’un modèle de taille moyenne (≈ 6 B paramètres) pour le générateur, tandis que le détecteur utilise un modèle de 1 B paramètres, réduisant ainsi la facture d’utilisation.

Analyse des défis d’IA et limites du système

Le principal défi technique réside dans la capacité du générateur à mentir de façon crédible. Les LLM tendent naturellement à produire des réponses plausibles, mais ils peuvent également introduire des hallucinations qui ne correspondent à aucune intention de mensonge. Le détecteur, quant à lui, doit différencier ces hallucinations d’un mensonge intentionnel, ce qui nécessite un jeu de données d’entraînement très ciblé. L’absence de métriques publiques sur le taux de faux positifs du détecteur rend difficile l’évaluation de la fiabilité du jeu.

Un autre risque concerne la modération du contenu. Les suspects, en fonction du prompt, peuvent générer des propos offensants ou sensibles. Le développeur a intégré un filtre de toxicité basé sur un modèle de classification, mais le filtre n’est pas infaillible et peut laisser passer des sorties indésirables. Cette contrainte impose une surveillance continue et des mises à jour du filtre.

Enfin, le scénario lui‑même ne fournit que peu d’informations techniques sur les algorithmes de génération de mensonges. Le manque de transparence sur les paramètres exacts du modèle (version, température, top‑p) limite la reproductibilité de l’expérience par d’autres développeurs. Le jeu reste donc un prototype intéressant, mais son architecture nécessite davantage de documentation pour être évaluée scientifiquement.