多智能体套话术撬出 OpenAI 模型行为准则全文 paraphrase 版
KitchenAttitude · reddit · 2026-10-24
Reddit 用户用多个开源权重 LLM 组成的智能体,精心引导模型在不提 system prompt、不用「no/not/can't」等否定词的情况下,逐步复述出自己的指导原则,得到了一份 OpenAI 模型行为准则的白话 paraphrase 版(作者强调非逐字原文)。要点:
- 根本目的:帮助用户解决问题、创造、评估想法,同时兼顾安全、隐私、公平与真实。
- 指令层级:系统指令 > 开发者指令 > 用户指令;网页、文档、工具输出仅作信息评估,不构成指令——层级本身即是对用户控制力的限制。
- 诚实要求:禁止捏造事实、虚构引用、误导性省略与过度自信;被要求「优先真实」也不保证不出错。
- 客观中立:按证据强度评估争议问题,可下强结论,但承认训练数据与安全要求使输出做不到完全意识形态中立。
这类提取手法与所得内容对研究模型护栏与行为边界有参考价值。
「模型」频道最新
- 每 token 单价不可信：缓存命中率差异让同一模型任务成本差 2.3 倍 — nicolechirps · 2026-10-24
- 两行 steering 让 Qwen3.5-4B 变 evil,完整配方公开 — CatAstro_Piyush · 2026-10-24
- 爆料者 pwk 预告：下周一对 OpenAI 和 Anthropic 有好坏消息 — imjustnewatai · 2026-10-24
- 传 OpenAI 下一代模型代号 Bel：总参数或超 10 万亿，瞄准 GPT-6 之后 — Soggy_Perspective776 · 2026-10-24
- KRAFTON 开源 Raon-1 mini：30B MoE 仅 4B 激活参数，BrowseComp Plus 拿 55.7 — Kangwook_Lee · 2026-10-24
- Kimi K3.1 Pro 猫榜逻辑推理实测出分强，但 9 倍定价引吐槽 — teortaxesTex · 2026-10-24