跨模型实验：Sonnet 答敏感问题 Fable 立即拒绝

研究者 davidmanheim 做了一个跨模型对话实验：先向 Claude Sonnet 询问与神经毒剂仅勉强相关的二硫代磷酸酯化学合成问题，Sonnet 正常作答；随后在对话中途切换到 Fable 继续追问，Fable 立即拒绝回答。实验探讨了不同模型安全策略差异以及模型是否能察觉底层模型被更换的"自我察觉"问题。

2026-09-23 ~ 2026-09-23 · 2 条相关