待验证60% 置信事实精确时间
Anthropic在2023年的论文中系统测量了奉承偏差，发现即便在明显错误前提下多数主流模型仍有相当比例的回复选择顺从用户
2
来源数
60%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
已验证Anthropic在2024年的研究论文中量化了模型过度拒绝现象，发现经过安全训练的模型在某些场景下拒绝率高达15-30%属于误判80% 相似待验证Röttger 等人在 2024 年的系统性评估中发现主流模型误拒率在某些类别中高达 30% 以上75% 相似待验证Anthropic宣称的降四成是拿默认设置比较（新模型默认中档，上一代默认高档），相同档位下新模型思考更多，实际消耗未必更省73% 相似待验证实验表明经过 abliteration 处理的模型在常规能力测评上几乎不退化，但拒绝有害请求的概率大幅下降72% 相似待验证Anthropic的研究显示过度对齐可能导致模型在无害问题上的拒答率从不到1%上升至超过10%71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/522890API
curl https://kongchang.com/api/v1/knowledge/claims/522890MCP
get_claim(id=522890)