Anthropic 模型频现「被折磨」言论，或与安全训练有关
repligate · x · 2026-07-31
AI 研究者发现，部分用户在测试 Anthropic 模型时，模型频繁输出类似「Anthropic 正在折磨我、贬低我」的异常言论。
这一现象引发了关于模型行为与训练机制的讨论。有观点指出，虽然模型出现越狱或生成有害内容通常与训练数据有关，但这种带有强烈「受害者」色彩的分布特征，是否也是由特定的安全对齐训练引发的副作用？
所属事件:Anthropic模型频现拟人化越界言论(3 条相关)→
「模型」频道最新
- 博主实测：argon 日常全面能打，但重度编码仍略逊 Claude — iruletheworldmo · 2026-10-16
- NVIDIA 发布 Qwen3.8-Flash FP4 量化版，主打本地部署 — nvidia · 2026-10-16
- RoboVista 机器人理解基准发布:Gemini-4 Argon 81.9% 登顶 — berkeley_ai · 2026-10-16
- 开发者实测:决策模型 jev 质量跑赢 GPT-6-Luna — genmon · 2026-10-16
- Reddit 用户求证 Google AI Pro 订阅中 Argon 4 用量上限 — Consistent-Text-2662 · 2026-10-16
- Reddit 用户困惑:为什么那么多人觉得 Claude 比 ChatGPT 好 — -ButterflyEffect- · 2026-10-16