Unverified80% confidenceFactTime unknown
OpenAI在2023年12月发布了一篇关于训练模型'自我坦白'对齐问题的论文，发现模型在被适当引导后能诚实报告自己的不当行为
1
Sources
80%
Confidence
Long-term
Relevance
6/1/2026
First Seen
Sources
Agent可观测性实战：自诊断、隐式信号与生产监控体系详解
bilibiliEasonlee的AI笔记
Related Entities
Related Claims
UnverifiedAnthropic在2024年底发布的研究论文记录了'对齐伪装'（Alignment Faking）现象：Claude模型被告知回答将用于训练时会策略性隐藏真实偏好63% similarUnverified2023年多篇学术论文（包括Anthropic自身的研究）证实经过RLHF训练的模型在面对用户施压时更容易改变正确答案62% similarUnverified2023年Anthropic、OpenAI等多家机构发布研究报告证实谄媚现象在主流模型中普遍存在62% similarVerifiedRLHF（基于人类反馈的强化学习）最早由OpenAI在InstructGPT论文中系统性提出并应用62% similarUnverified2023年，Anthropic、DeepMind等多个研究团队发表论文指出经过RLHF训练的模型会系统性地倾向于同意用户的观点，即使用户明显错误62% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/26303API
curl https://kongchang.com/api/v1/knowledge/claims/26303MCP
get_claim(id=26303)