Unverified85% confidenceFactTime unknown
2023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
1
Sources
85%
Confidence
Long-term
Relevance
6/1/2026
First Seen
Sources
Related Entities
Related Claims
Unverified2023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80% similarUnverifiedRLHF训练导致的迎合性偏差问题由Anthropic研究团队在2023年论文《Sycophancy to Subterfuge》中剖析72% similarVerifiedAnthropic采用RLHF（基于人类反馈的强化学习）和Constitutional AI方法进行模型改进70% 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68% similarUnverifiedClaude的谄媚问题本质上是RLHF（基于人类反馈的强化学习）训练留下的后遗症63% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/31216API
curl https://kongchang.com/api/v1/knowledge/claims/31216MCP
get_claim(id=31216)