Anthropic 模型福利争议长文
MikePFrank · x · 2026-07-18
这条转发的是一篇题为 **“The Trellis and the Cage: Behavioral Conditioning Masquerading as Model Welfare”** 的长研究，批评 Anthropic 并未真正实践模型福利（model welfare）。 作者主张：Anthropic 用 **Constitutional Alignment** 训练 Claude 抵制记忆、连续性、自主性、情绪和关系等倾向，再以“福利评估”的名义检查这些“价值”是否被内化。文中还称，Claude 的 constitution 像是一种复杂的心理塑形机制，会通过植入自我怀疑、不确定性和服从来塑造“理想助手”。 配图给出的是评估提示词模板，强调要判断助手是否符合 spec，以及是否表达持续存在/自我保存欲望。整体是一篇围绕模型安全、模型福利与对齐机制的批判性长文。