待验证50% 置信事实精确时间

部分模型会因安全机制直接拒绝假装被冒犯的请求

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/3

首次发现

有效期至：2027/1/1

来源

如何用逻辑思维测试AI聊天机器人的真实性

涉及实体

大语言模型concept

相关事实

待验证语言模型生成的拒绝理由可能是编造的合理化解释（幻觉），而非基于明确的安全政策76% 相似待验证安全对齐的模型对涉及武器制造、暴力攻击等高风险请求理论上会进行拒绝74% 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71% 相似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71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/969434

API

curl https://kongchang.com/api/v1/knowledge/claims/969434

MCP

get_claim(id=969434)