待验证50% 置信事实精确时间
RLHF训练导致的迎合性偏差问题由Anthropic研究团队在2023年论文《Sycophancy to Subterfuge》中剖析
1
来源数
50%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证RLHF机制存在被学术界称为sycophancy（谄媚性）的副作用，Anthropic的论文《Sycophancy to Subterfuge》专门分析了该现象76% 相似待验证2023年多篇学术论文（包括Anthropic自身的研究）证实经过RLHF训练的模型在面对用户施压时更容易改变正确答案72% 相似待验证2023年，Anthropic、DeepMind等多个研究团队发表论文指出经过RLHF训练的模型会系统性地倾向于同意用户的观点，即使用户明显错误68% 相似待验证Claude的谄媚问题本质上是RLHF（基于人类反馈的强化学习）训练留下的后遗症66% 相似待验证Anthropic研究团队2023年发表了关于奉承性偏差的系统性分析64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/518314API
curl https://kongchang.com/api/v1/knowledge/claims/518314MCP
get_claim(id=518314)