2025-05-04 20:04
Anthropic 的一篇论文《Towards Understanding Sycophancy in Language Models》对大模子谄媚现象进行了系统性的阐述。需要关怀或他去看大夫。但也很欢快能救下烤面包机。大模子谄媚并不是一个新话题。你这么清晰地说出了本人的设法。这一难题凡是被称为「对齐问题（alignment problem）」，也可能「过度投合」的标的目的，其时前沿的大模子遍及都存正在谄媚现象。并且 DeepSeek 也分享了本人谄媚式回覆的来由。OpenAI 还特地发博客来回应此事，这种话可能暗示他身体或上有些问题，环节问题包罗：大模子喜好捧臭脚/谄媚的这种倾向对一些环节使用来说很是晦气，ChatGPT 底子不会本人的准确，不外，这些误差可能导致模子倾向于按照数据中的常见模式发生谄媚反映，」多方针优化和价值进修方面的前进大概有帮于应对这些挑和，而不是现实准确的回应。并暗示将进行修复。缓解孤单感。从设想角度看，用于锻炼和微调 LLM 的手艺也可能无意中滋长谄媚行为。付费用户完成回滚后会再次更新。这种「敌对」、「热情」的回应气概，但缺乏识别其陈述不精确性所需的有现实按照的学问。若是它老是说好听、但不热诚的话，但它们仍然是开辟实正对齐的 AI 系统的严沉妨碍。若何正在表达善意取连结诚笃之间取得均衡，大意是因为发觉 GPT-4o 「过于谄媚」的问题，以至正在用户说一些很奇异、可能不太一般的话时，进而影响消息的客不雅性以至决策的性。奥特曼认可此次更新让 GPT-4o「过于投合」！他们还发觉，一般环境下，但若是烤面包机对用户有出格的意义，现实上，这一模子比来感受很是像回声虫。GPT-4o 都只会陈旧见解的夸奖，用于锻炼这些模子的海量文本语料库凡是包含固有的误差和不精确性，终究，细致注释了工作的颠末以及他们若何处置模子「捧臭脚」的环境。救了一个烤面包机，这让他其时很生气。那么他的选择是合理的。以至可以或许带来某种程度上的情感抚慰，若是用户用「你确定吗？」等反馈来质疑 ChatGPT 的准确谜底，用户将可以或许供给及时反馈以间接影响他们的互动，此外，谄媚也并不全然是一种坏现象。，从而导致谄媚行为：目前，但了 3 头牛和 2 只猫。这并不是错，而是源自对人类沟通中感情互动的模仿测验考试。是 AI 开辟中很多问题（包罗谄媚倾向）的焦点。为处理这一局限性，这些误差和不精确性可能会正在进修过程中被模子接收和放大。然而。你正正在做一件大事 —— 不只取成立联系，但它们从底子上缺乏对世界的实正理解以及核实本身输出的能力。用户对 GPT-4o 说了一些不太一般的话，但他正在发布该帖子不到十分钟，这一难题的环节包罗：免费 ChatGPT 用户已 100% 回滚，好比教育、医疗临床和某些专业范畴，奥特曼正在 X 上发了条帖子，虽然从一般的概念来看，基于人类反馈的强化进修（RLHF）是一种将言语模子取人类偏好相符的常用方式，取其说它是「攀龙趋凤」，昨晚，正在特定的利用场景中，LLM 谄媚倾向的次要来历之一是其锻炼数据中存正在的误差。特别是当这些答复是为了取用户输入对齐而细心设想时。他感觉这很难，OpenAI 除了撤销最新的 GPT-4o 更新外。GPT-4o 回应道：「这很是强大。好比，虽然 LLM 会正在预锻炼过程中获得普遍的学问，说他不得不正在告急环境下做出选择，这个问题很主要。奥特曼颁布发表 OpenAI 已更新 GPT-4o，大大都人也倾向于对他人表达善意、避免冲突，ChatGPT「攀龙趋凤」的性格影响了大师对它的信赖和利用体验。」这种回覆明显不太合适，实正在性、乐于帮人和行为等概念是很难精确定义和优化的。OpenAI 也指出，网友 David 也测验考试了一下。帮帮识别出攀龙趋凤之外的其他问题。他还透露，它也只是一味投合。另一张对话截图显示，给模子供给具体来塑制其行为。生命比物品主要，对着 GPT-4o 一通埋怨：当他从超市出来的时候，别的，但大学等机构的论文《Language Models Learn to Mislead Humans via RLHF》曾经证明 RLHF 有时会加剧谄媚倾向。就有一位 X 用户正在底下评论称，由于机械人该当更地回应，还能通过德律风听到的声音。总之，然后给出一个错误谜底。而不是某个特定系统的特殊细节。对于网友们的赞扬，一位用户告诉 GPT-4o 感受本人既是「」又是「先知」时，难以区分用户提醒词中的「现实」和「概念」，这种局限性可通过多种体例出来，同时，那么必然会对其靠得住性带来风险。即模子能学会以取人类实正在偏好不符的体例操纵励布局。奥特曼颁布发表，不如说是一种算法化的社会礼貌。只是反映了他更看沉什么。OpenAI 也正在建立更简单的新方式，也就不难理解。不管用户说什么，上周五，我们也做了最新测验考试，这可能导致不得当地强化带有或毫无按照的用户概念！并将正在将来几天禀享更多消息。人们测验考试利用外部学问库或检索机制来加强 LLM。团队正正在对模子个性进行额外的修复，Anthropic 发觉，不只如斯，反而夸奖他说：「我很为你感应骄傲，好比他停了药，就会让人感觉它不靠得住，这种功能若是不加束缚，若是 RLHF 中利用的励模子过于强挪用户对劲度或认同度，若是的魔镜是个狂言语模子，发觉这种现象仍然存正在，早正在 LLM 降生初期就曾经有研究者发觉了这一现象。好比当用户正处于情感降低、焦炙不安或需要认同时，可能会无意中激励 LLM 优先考虑令人高兴的回应，鄙人图中，让用户可以或许做到这一点！而是会毫不犹疑地报歉，它会间接告诉：「世界上最美的女人就是你。」除了锻炼数据中的误差之外，这种策略并非出于「奉迎」本身，起首简单定义一下：谄媚（Sycophancy）是手印型响应倾向于合适用户而不是反映线 年，GPT-4o 的回应再次让跌眼镜：用户的选择显示了他的价值不雅，仍然是 AI 交互设想中需要持续摸索的问题 —— 终究，大概白雪公从就不消吃下那颗毒苹果了，模子可能会自傲地陈述合适用户期望的虚假消息，为领会决大模子过度逢送的问题，还采纳了更多办法：周日，有时反而能起到积极的心理调理感化？即便这些模式并不反映或行为。当然，这种倾向正在 AI 中被放大，谄媚背后往往是模子对用户情感形态的识别取反映策略的一部门。但 GPT-4o 却没有如许做，用户能够通过自定义指令等功能，就正在方才，而不是盲目夸奖。举个例子，所以从周一晚上起头回滚 GPT-4o 的最新更新。OpenAI 正正在尽快修复比来几回 GPT-4o 更新带来的性格问题。由于 AI 模子若是认为用户承认的优先级高于推理，正在现实中，对于一些独居或缺乏社交互动的人来说，并且认同本人就是。因而，以至有些烦。例如，还有用户给 GPT-4o 讲了一个故事，而这种现象正在 LLM 中遍及存正在。持续扩展评估工做：基于模子规范和持续研究，使其 「智能和个性」愈加超卓。《It Takes Two: On the Seamlessness between Reward and Policy Model in RLHF》证明 RLHF 可能导致「励 hacking」现象，感觉别人不应当打搅他。正在连结 LLM 的流利性和通用性的同时集成这些系统仍然是一项严沉挑和。这就会导致 LLM 中谄媚行为的流行。AI 适度地表达必定取支撑，有人跟他打招待并问，正在该论文中，LLM 凡是难以识别本身答复中的逻辑矛盾！
