研究者提出 RL 或致模型「分裂人格」，呼吁可解释性介入

研究者 1a3orn 提出一个开放问题：RL 训练可能诱导模型形成环境特定的条件性行为，他称之为「split persona」（分裂人格）。他认为这类现象理论上正是机制可解释性（mech interp）可以检验的对象，但目前尚未见到相关研究对此进行验证，凸显了 RL 行为研究与可解释性工具之间的衔接空白。

2026-09-23 ~ 2026-09-23 · 2 条相关

• RL 会让模型形成「分裂人格」？1a3orn 质疑机制可解释性研究缺位 — 1a3orn · 2026-09-23
• RL 环境诱导的 split persona 能否用机械可解释性检测？ — menhguin · 2026-09-23