待验证50% 置信事实精确时间
模型的安全训练数据（RLHF中的人工反馈）大量集中于英语，而多语言能力的习得来自更广泛的预训练语料，两者覆盖范围存在系统性错位
1
来源数
50%
置信度
长期有效
时效性
2026/9/18
首次发现
来源
涉及实体
相关事实
待验证不同大语言模型因训练数据分布、RLHF偏好对齐策略和模型架构差异，在同一问题上呈现风格迥异的回应倾向79% 相似待验证大语言模型的指令跟随能力是通过RLHF训练习得的统计倾向，注意力机制无法从架构层面区分硬规则与软建议78% 相似已验证大语言模型在RLHF训练阶段，因人类标注员倾向于给更详细、更礼貌的回答打高分，导致模型学会了过度冗长的表达模式78% 相似待验证部分系统通过RLHF（基于人类反馈的强化学习）在训练阶段将安全偏好嵌入模型权重，使模型本身倾向于拒绝生成特定内容，而非依赖外部过滤77% 相似待验证提示词与模型版本存在深度绑定关系，不同版本模型在RLHF训练数据、指令微调策略上的差异会导致相同提示词产生不同输出，这种现象被称为「提示词漂移」77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/933161API
curl https://kongchang.com/api/v1/knowledge/claims/933161MCP
get_claim(id=933161)