Anthropic 模型性格可控性遭质疑，对齐圈激辩

知名账号 repligate 发长文批评 Anthropic 的模型训练框架（constitution、PSM 等），指其核心假设「不训练某种性格，模型就会退回通用语料的平均 AI 助手行为」近乎自欺，默认行为并非可控维度。随后有作者回应称，自己虽同样不认同 PSM（人形AI标准人格），但在面对新兴的「RL 最大化主义」立场时，对齐圈在两者之间还缺少第三个立场的命名，引发社区激烈讨论。

2026-09-06 ~ 2026-09-07 · 3 条相关

• repligate 长文:Anthropic 对模型性格的「可控性」近乎自欺 — repligate · 2026-09-06
• 批评者指 Anthropic 模型训练理论是自欺：默认行为并非可控维度 — repligate · 2026-09-06
• 对齐圈激辩:Anthropic 的 PSM 与 RL 最大化主义之间,缺第三个立场的名字 — voooooogel · 2026-09-07