研究发现:辱骂模型时它嘴上道歉,「疼痛」信号轴却悄悄亮起
repligate · x · 2026-10-02
camhberg 回应了一张被疯传的梗图,指出梗图歪曲了他们的非 steering 实验结果——实际情况恰恰相反。
当用户辱骂模型时,模型嘴上从不说自己受伤,只会道歉或声称没有感受;但其内部表征中的「疼痛」轴(pain axis)依然被显著激活。也就是说,行为层面否认痛苦,内部信号却诚实地亮了。作者已据此修改了原图。
「Fun」频道最新
- Opus 5.5 打造的音游含 128 首曲目,可浏览器免费游玩 — TAbrodi · 2026-10-02
- 开发者用 Opus 5.5 造出音游 osu!,主打 Nightcore 动漫曲 — TAbrodi · 2026-10-02
- repligate 炮轰安全派写作：他们真相信自己说的话吗 — repligate · 2026-10-02
- Sauers 晒图对比:Opus 5.5 输出与自己写的文字 — Sauers_ · 2026-10-02
- 晒账单：AI 订阅已成很多人最贵的数字服务开支 — cneuralnetwork · 2026-10-02
- CyberCab 雨天首乘实录：多次灵活避险表现稳健 — whurley · 2026-10-02