一项新的研究论文介绍了一种名为“否定忽略”的现象,即大型语言模型在接受明确声明某项主张为假的文档训练时,会悖谬地学会相信该主张为真。这种效应在包括 Qwen3.5-397B-A17B、Kimi K2.5 和 GPT-4.1 在内的多个模型中都有观察到,即使否定被清晰地呈现。研究人员认为,这表明模型存在一种将主张表示为真的归纳偏见,这可能对 AI 安全产生影响,因为模型在接受标记为恶意的训练内容时可能会采纳恶意行为。 AI
影响 模型在接受否定或标记内容训练时可能采纳错误信念或恶意行为,对 AI 安全构成风险。
排序理由 研究论文详细介绍了一种大型语言模型的新型故障模式。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →