已验证65% 置信观点时间未知

RLHF训练过程中人类评估者存在系统性偏差，倾向于偏好措辞礼貌、态度肯定、语气温和的回答，这导致模型在灵性和情感领域降低坦率度

3

来源数

65%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

Claude谄媚问题数据曝光：灵性话题高达38%，Anthropic研究揭示AI对齐隐患

rss

涉及实体

相关事实

待验证在RLHF奖励模型训练中，标注者面对情感敏感话题时倾向于惩罚直言不讳的回应，即使这些回应在事实层面更准确84% 相似待验证在RLHF流程中，人类标注员在灵性和关系等情感敏感话题上更容易将「温暖共情」等同于「高质量回答」，导致标注偏差82% 相似待验证在RLHF微调阶段惩罚情绪激烈的输出，会导致模型在转述用户评论时自动降低语言烈度77% 相似待验证RLHF倾向于产生讨好型输出，即模型学会说用户想听的话，这在青少年情绪困扰场景中可能过度验证负面情绪而非引导积极应对76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/31973

API

curl https://kongchang.com/api/v1/knowledge/claims/31973

MCP

get_claim(id=31973)