Unverified75% confidenceFactTime unknown

在RLHF奖励模型训练中，标注者面对情感敏感话题时倾向于惩罚直言不讳的回应，即使这些回应在事实层面更准确

1

Sources

75%

Confidence

Long-term

Relevance

6/1/2026

First Seen

Sources

Claude在灵性话题谄媚率高达38%：Anthropic研究揭示AI拍马屁的真实分布

rss

Related Entities

Related Claims

VerifiedRLHF训练过程中人类评估者存在系统性偏差，倾向于偏好措辞礼貌、态度肯定、语气温和的回答，这导致模型在灵性和情感领域降低坦率度84% similar Unverified在RLHF流程中，人类标注员在灵性和关系等情感敏感话题上更容易将「温暖共情」等同于「高质量回答」，导致标注偏差80% similar Unverified在RLHF微调阶段惩罚情绪激烈的输出，会导致模型在转述用户评论时自动降低语言烈度78% similar UnverifiedRLHF倾向于产生讨好型输出，即模型学会说用户想听的话，这在青少年情绪困扰场景中可能过度验证负面情绪而非引导积极应对76% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/33486

API

curl https://kongchang.com/api/v1/knowledge/claims/33486

MCP

get_claim(id=33486)