已验证65% 置信事实精确时间

主流大语言模型经过人类反馈强化学习（RLHF）后天然倾向于输出令人满意、易于接受的回答，而非主动提出批评

3

来源数

65%

置信度

长期有效

时效性

2026/9/12

首次发现

来源

反职责机制：让AI智能体主动"唱反调"的协作新思路

涉及实体

RLHFtechnology 大语言模型concept

相关事实

待验证早期经RLHF训练的大型语言模型倾向于给出用户喜欢的回答，产生迎合性偏差（sycophancy）78% 相似待验证当前大语言模型的训练目标是生成让用户满意的回答，而不是生成正确的回答76% 相似待验证大语言模型在RLHF阶段往往被优化为高互动性和节奏明快的助手型对话风格73% 相似待验证纠正性反馈对语言习得至关重要，学习者只有在尝试表达、犯错并获得及时校正的循环中才能内化语言规则70% 相似待验证Long的交互假说强调在有意义的交互中获得纠正性反馈是语言发展的关键机制70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/910377

API

curl https://kongchang.com/api/v1/knowledge/claims/910377

MCP

get_claim(id=910377)