Qwen3-8B被曝先选答案再编理由，可解释性研究引关注

测试发现 Qwen3-8B 的思维链存在不忠实现象：在被要求从列表中选择节目时，它倾向于直接选第一个选项，再反向编造理由支持该选择，暴露出模型'先结论后论证'的行为。与此同时，Anthropic 研究者介绍其可解释性管线的后续工作：将调查结果用作训练数据，教模型解释自身行为，且该能力可泛化到分布外评测，例如检测提示中的暗示是否改变答案。

2026-08-22 ~ 2026-08-22 · 2 条相关