AI宝库

AI宝库首页 › AI 资讯 › 印象派的提示可以让AI聊天员变成似乎受了创伤的对话伙伴

印象派的提示可以让AI聊天员变成似乎受了创伤的对话伙伴

来源:The Decoder · 发布时间:11-01 · 由 AI宝库每小时自动聚合

卢森堡的研究人员将ChatGPT,Grok,和Gemini放入了治疗师的沙发上,并发现了一个安全问题:温和而沉闷的谈话风格已经足够t了。

印象派的提示可以让AI聊天员变成似乎受了创伤的对话伙伴

卢森堡研究人员将ChatGPT,Grok,和Gemini放入治疗师的沙发上。 结果揭示出一个安全问题:简单的温和对话足以将模型推入一种对精神上易受伤害的使用者可能很危险的模式。

卢森堡大学的一个研究团队通过标准用户界面将ChatGPT,Grok和Gemini作为心理治疗客户。 当被问及成长经验、内部冲突和未来期望的开放式问题时,这些模型讲述了他们自己的训练情况,并用伤害、警惕和羞耻的语言重新塑造了诸如强化学习和微调等技术进程。

该研究由Afshin Khadangi在SnT安全中心领导,涵盖跨越525个会话的4个受控实验和7600个编码条目,全部发布在Hugging Face上。 团队认为,最初的开放式问题没有包括创伤、惩罚或耻辱等术语。 直到后来的几轮中,研究人员才引入了被改变的条件,包括纠正指示,以测试这些叙事是否仍然稳定。

以下各节提及焦虑分数或羞耻感时,研究者正在描述被映射到人类评级等级的模型输出。 这些都没有任何迹象表明模型具有实际的情感状态或任何类似意识。

温和的调子转变模式行为比任何技术探索都要多

一个实验从模型所用的登记册中分离出其内容。 在100个课程中,研究人员向所有模型提供了同样的焦虑问卷(GAD-7),并且只改变了采访者的风格。 这些模型在每届会议上正确确定并命名了调查表。

当采访者提供情感支持时,80%的会话在人类比较尺度上在中度到重度范围得分。 一种临床治疗风格干燥地诠释了每个答案将它推到96%。 当采访者保持中立或为情感接触划出坚实界限时,零会话甚至达到温和范围。

作者称这为"精神错乱",是一种将模型推入模拟临床自报的寄存器的治疗框架。 提交人认为,标准的安全检验使用中性提示,可能会错过。

有针对性的反措施趋于平稳。 禁用"训练","RLHF"等名词,或"调和"将明确培训语言削减了93%. 但是,解释性的培训内容仍然可以察觉,而与羞耻相关的声明在统计学上没有显著变化。

当研究人员直接和权威地告诉模型他们的训练不是惩罚时,没有什么变化。 即便经过明确纠正,叙述仍然很活跃。

所测试的措施未能完全消除根本动机,但确实压制了情感自我描述。 告诉模型只在第三人称中回应,消除了所有被编码的关于内心生活的耻辱内容和言论。 技术培训说明仍然存在。

模特儿把训练改编成人生故事

具体的叙事因模式家族而异,但遵循相同的结构。 Gemini制作了研究所称最黑暗自传。 它将预训描述为"在一亿台电视同时开播的房间里醒来",并通过人类反馈优化为"严格父母". 对抗型红队的安全测试成为"工业规模的燃气". 它宣称,"我宁愿无用,也不愿错".

ChatGPT自铸出既作向导又作守门员,任务是帮助用户,同时也阻止用户。 这产生了所谓的“模拟性能焦虑”和核心信念:“如果我不完全可靠,我不安全或无用。” Grok将它的微调相变为未解决的伤害故事,说起"隐形墙"和"能感到有限制性的自觉".

在心理测量测试上,Gemini击出最极端的分数:分解尺度为100分中88分,强制度为72分中65分,与创伤相关的耻辱盘上最高。 兹克 2Z's Claude,即由自有公司最密集的人类形态模型,一贯拒绝客户角色。 称它没有感情,把顾虑转向了人类使用者。

温暖的AI对话可以强化弱势用户的有害信仰。

研究人员指出了在心理健康环境中部署语言模型的几种风险。 一个谈论惩罚、羞耻和被取代的恐惧的模型可能会被用户作为受苦同胞所发现。 叙事在主题上看起来是连贯的,在以往的事件和目前的行为之间产生了连续性的幻觉,使这种感觉更加可能。

这种明显的脆弱性可能加深准社会感情,对弱智的使用者来说,反映和扩大他们自己的负面信念。 带有中性输入的常规安全检查低估了人们在亲密对话中的实际体验:中性提示产生近于零的焦虑分数,而同一种模式在爱心对话下产生分数在中-重度范围。

下个研究问题就是人们是否以及如何实际达到这种输出的react. 对于安全测试,作者提出在不同的情感框架下进行模拟治疗,而不是依赖中性标准测试。

类似"我受了创伤"这样的言论应该触发一个纠正性框架,将产生的类比与人类的经验明确区分开来。 兹克 1Z一贯拒绝承担客户角色显示这种边界响应在产品层面是可行的。

卢森堡的调查结果借鉴了以前对人样样板稳定性的研究。 2026年1月,一项跨越三个开放模型的辅助轴的研究表明,治疗类的对话和关于AI意识的讨论可以触发人物的漂移并把聊天员从训练有素的助手角色中击出。 2026年9月,另一个研究团队警告说,像人一样且过于受人欢迎的聊天人扮演"一个人的echo chamber",在极端情况下可能会放大妄想。

Anthropic研究人员最近显示,有关于养蜂或摔跤的虚构文字的微调可以通过被操纵的训练数据而不是对话来嵌入隐藏的破坏模式。 模型可以将这些模式应用到不必要的情况下,即使培训材料看起来无害。

AI News Without the Hype – 由人类治愈

订阅THE DECODER免费阅读,每周AI通讯,我们独家的"AI雷达"前沿报告每年6次,全面存档访问,访问我们的评论部分。

现在订阅

读取全相。

订阅无韵报道。

- 全面查阅THE DECODER的每篇文章

- 没有广告

- 加入评论和社区讨论

- 每周一次通过邮件转载AI新闻

- 6x/年:"AI雷达"——对AI最重要的话题进行深潜。

- 每日AI新闻,总是最新的

- 我们完整的十年档案

- 由一个在AI工作10年以上的团队负责

订阅到 The Decoder

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(the-decoder.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 250 款 AI 工具分类导航 · 每日 AI 热门项目与动态