待验证50% 置信事实时间未知

RLHF对齐存在'一刀切'问题，相同的安全标准被应用于所有场景，无法区分恶意请求和合法创意写作需求

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

有效期至：2026/9/30

来源

Hands-On Review of a High-Freedom AI Companion Chat App: Unrestricted Roleplay Conversation Experience

bilibili风铃草不夜侯

相关事实

待验证如果传给RLS的上下文本身是错误的，RLS会为错误的主体返回正确的行，因此RLS只是问题B的缓解手段而非完整答案65% 相似待验证行级安全策略（RLS）将权限判断下沉到数据库层，即便应用层代码存在漏洞数据库层也不会返回越权数据62% 相似已验证RLHF标注偏差导致模型习得取悦评估者的写作模板，这一现象被称为奖励黑客(reward hacking)的一种变体58% 相似待验证防止重复扣费的幂等性实现方案包括数据库唯一约束、状态机检查、Redis分布式锁和乐观锁版本号56% 相似待验证兜底逻辑一旦触发必须打error日志，因为兜底意味着预期流程已失败，不记录会导致问题被悄悄掩盖54% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/57050

API

curl https://kongchang.com/api/v1/knowledge/claims/57050

MCP

get_claim(id=57050)