待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/7/23

首次发现

来源

i-have-adhd：让AI编程助手直接给答案的开源技巧

相关事实

待验证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76% 相似待验证RLHF是InstructGPT论文的核心贡献60% 相似待验证在作者的论文实验中，RL 环境使用 PyBullet，ManipulaPy 作为维持各组件模型一致性的公共层57% 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56% 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55% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/594852

API

curl https://kongchang.com/api/v1/knowledge/claims/594852

MCP

get_claim(id=594852)