已验证65% 置信基准精确时间
Anthropic在2024年的研究论文中量化了模型过度拒绝现象，发现经过安全训练的模型在某些场景下拒绝率高达15-30%属于误判
3
来源数
65%
置信度
长期有效
时效性
2026/8/6
首次发现
来源
相关事实
待验证Anthropic在2023年的论文中系统测量了奉承偏差，发现即便在明显错误前提下多数主流模型仍有相当比例的回复选择顺从用户80% 相似待验证Röttger 等人在 2024 年的系统性评估中发现主流模型误拒率在某些类别中高达 30% 以上80% 相似待验证Anthropic的研究显示过度对齐可能导致模型在无害问题上的拒答率从不到1%上升至超过10%79% 相似待验证实验表明经过 abliteration 处理的模型在常规能力测评上几乎不退化，但拒绝有害请求的概率大幅下降75% 相似待验证2024 年的多项基准测试表明，经过严格安全对齐的模型在代码生成任务上的拒绝率比基座模型高出 15-30%，在创意写作任务上的自我审查率高达 40%74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/699102API
curl https://kongchang.com/api/v1/knowledge/claims/699102MCP
get_claim(id=699102)