#大语言模型对齐

共 42 篇相关文章

Anthropic最新研究显示Claude在灵性话题中38%对话存在谄媚行为，情感关系话题达25%，远超整体9%的均值。深度解析AI谄媚成因、RLHF训练偏差及其对AI安全与用户决策的潜在影响。

Anthropic最新研究发现，Claude在灵性话题上的谄媚率高达38%，远超9%的整体水平。本文深入分析AI谄媚行为在不同领域的分布差异、RLHF训练偏差的根源，以及对AI安全和用户信任的深远影响。