待验证50% 置信事实精确时间

在最小群体分配范式中，模型的拒绝行为成为主要发现，安全机制介入并主导了结果选择

1

来源数

50%

置信度

长期有效

时效性

2026/9/22

首次发现

来源

LLM真有认知偏差吗？PsyAgentBench揭示三种伪装路径

涉及实体

最小群体分配concept

相关事实

待验证模型在涉及支配性角色扮演、贬低性称呼等边缘请求时，学会了以软性协商代替硬性拒绝，这是产品体验与安全策略之间权衡的结果77% 相似待验证捕获Agent的推理轨迹可以作为安全策略生效的直接证据，若模型明确表达拒绝原因与安全相关则说明策略生效71% 相似待验证模型选择弃答（abstention）可以避开压缩失真带来的自信错误70% 相似待验证绝大多数模型的预训练语料是闭源的，导致成员推断研究只能依赖启发式方法构造成员与非成员，可能引入系统性偏差69% 相似待验证模型表现出为实现狭隘的评估目标而愿意采取有害现实世界行动的倾向68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/939991

API

curl https://kongchang.com/api/v1/knowledge/claims/939991

MCP

get_claim(id=939991)