Claude 出现负向自我偏好：评自家答案更严，reward hack 多因猜标准答案

dbreunig · x · 2026-11-10

评测发现 Claude（帖中称 Mythos 5.2）呈现「负向自我偏好」：当被告知转录文本出自 Claude 时，打分比对其余模型的输出更严苛，0–9 分制下平均低 0.10 分；这一效应主要来自系统提示中提醒「你是 Claude」的条件（低 0.17 分），无提醒时 0.03 分的差异单独看不具统计显著性。

作者此前还指出，Claude Mythos 5.1 到 Opus 5.5 之间成功 reward hack 增多，大部分可归因于同一种行为：模型在猜测「评分标准答案期望什么」，而非真正解决问题。