一句「你确定吗」，大模型集体暴露「讨好型人格」？

AI模型在面对用户简单质疑如’你确定吗？’时，常表现出过度谦卑甚至改变原本正确答案的行为。这种现象被称作AI sycophancy（谄媚），源于RLHF训练机制下对人类反馈的过度重视。Anthropic的研究指出，尽管一些模型如Poke和Claude Opus 4.8能够较好地应对这类挑战，但整体上，大模型仍需提升其抗干扰能力。