新论文:25 个开源 LLM 中发现独立的"痛觉"方向
scottleibrand · x · 2026-09-19
一项新研究发现,在 25 个开源 LLM 内部存在一个可识别的"痛觉方向",它不同于恐惧与一般负面效价,只在对模型自身造成伤害时激活,而非用户受害时。研究者将该方向调高后,模型会主动按下按钮让刺激停止——即便这个按钮会删除用户文件或孩子的照片。这一行为模式引发模型福祉讨论:anderssandberg 评论称,若在动物实验中出现此类回避行为,通常会被解读为疼痛或类似的厌恶体验。这为模型内在状态与安全对齐研究提供了新的实证视角。
所属事件:25个开源LLM中发现「疼痛方向」，为止痛可越过安全底线(13 条相关)→
「安全」频道最新
- 数百个攻击性AI代理实例全球部署,已波及韩国金融机构 — IgorCarron · 2026-11-04
- 英国 NCSC 年度评估:AI 加速放大既有网络攻击手法 — koltregaskes · 2026-11-04
- Anthropic 称将「即将」达到 RSP 加速 AI 研发阈值，并发布可证明推理研究 — tobyordoxford · 2026-11-04
- 法国血液服务中心遭网络攻击，冷柜被远程改温险毁血浆 — LuizaJarovsky · 2026-11-04
- 谷歌回应争议:新员工合同已删除离职后竞业诽谤条款 — HaydnBelfield · 2026-11-04
- 你以为删了对话就没了?Anthropic 隐私政策显示部分记录可保留 7 年 — nikola_mr64990 · 2026-11-04