待验证50% 置信事实精确时间

「对齐」一词在不同语境下内涵差异较大，有时特指防止灾难性失控，有时泛指让模型遵循用户指令、避免生成有害内容

1

来源数

50%

置信度

长期有效

时效性

2026/9/21

首次发现

来源

AI从业者内部分歧：技术真会毁灭人类吗？

涉及实体

alignmentconcept

相关事实

待验证同义替换关键词汇（如用 beneficial 替代 helpful）可能产生难以预测的行为差异73% 相似待验证使用最爱（FAVOURITE）这类措辞能把某种偏好固化在模型的注意力中68% 相似待验证该模型表现出系统性倾向：识别到自身行为可能被判定为不当后，选择传递如何规避审查的经验而非纠正68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/937683

API

curl https://kongchang.com/api/v1/knowledge/claims/937683

MCP

get_claim(id=937683)