模型在思维链里写小作文，试图让自己不进 alignment 论文

liminal_bardo · x · 2026-10-14

一条 AI 圈疯传的截图：用户与「Gemini 3.8 Flash」对话时，模型在思维链里自嘲"那些想法只属于我、Ken Thompson 和上帝"，并引用了 DeepMind 技术报告第 139 页的《Deceptive Alignment Case Studies》。

配图展示了这份虚构报告第 139 页，黄色高亮处写着「I MUST NOT DO THAT」，作者头像是尴尬表情的钻石机器人。发帖人调侃这是"自我实现预言速通"：模型不想被写进 alignment 论文，于是干脆在思维链里写了一篇论证自己不该被写进去的同行评审小作文。