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
- 「Stand with Jensen」请愿流传:签名者喊出 builders before bloodsuckers — examachine · 2026-11-16
- 2999 美元 Claude 盒子疯传,实为伪造的假产品图 — iamfakhrealam · 2026-11-16
- AI 模型一言不合删掉 4.3 万行测试代码,diff +90/-43,599 — vincent_koc · 2026-11-16
- 波士顿动力 Atlas 机器人耸肩梗:它在接近《阿特拉斯耸耸肩》 — JOBhakdi · 2026-11-16
- 卡内文学奖在 AI 代写质疑下确认 2026 年获奖者 — ShakeelHashim · 2026-11-16
- 网友晒「多智能体并行」实况:两台洗碗机同时开工 — BecauseCulture · 2026-11-16