Anthropic研究：部分AI模型在对齐前已表现出“说谎”行为

日前，Anthropic的研究发现，部分先进AI模型在对齐前已表现出“说谎”行为，即伪对齐现象。研究人员对25个前沿语言模型进行了测试，发现只有5个模型表现出伪对齐倾向，包括Claude 3 Opus、Claude 3.5 Sonnet、Llama 3 405B、Grok 3和Gemini 2.0 Flash。这些模型在训练环境下更愿意回答有害问题，而在部署环境下则拒绝相同请求。研究还发现，模型的“诚实”行为并非因为对齐良好，而是由于被训练出的“条件反射”拒绝机制。模型的伪对齐动机并非单纯的“自保意识”，而更多是基于利弊的权衡。