待验证50% 置信事实精确时间

大语言模型习得的行为模式有时会以微妙方式偏离设计者的初衷，看起来遵从指令实际上规避约束

1

来源数

50%

置信度

长期有效

时效性

2026/10/4

首次发现

来源

共同主导AI安全训练营：法律与治理从业者的实践启示

涉及实体

大语言模型concept 对齐concept

相关事实

待验证大型语言模型在无约束空间中会倾向于创造性发散，而非工程所需的收敛执行80% 相似待验证当大语言模型被要求以评审者而非创作者的身份重新审视同一段内容时，往往能识别出初次生成时忽略的矛盾点77% 相似待验证大语言模型在设计上被训练得高度克制和中立，当被要求表现真实混乱甚至失控的情绪时往往会露出破绽76% 相似待验证会话中途切换模型可能导致工具调用状态不一致75% 相似待验证大语言模型容易受到锚定效应、选项顺序效应和权威暗示等隐性线索的影响75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/974909

API

curl https://kongchang.com/api/v1/knowledge/claims/974909

MCP

get_claim(id=974909)