标签

interpretability 1

2026-07-31AI

突现性失准有一张脸：用 Big Five 五条轴代替单一「坏方向」

已知一个怪现象：拿「写不安全代码」这种窄而具体的坏数据去微调模型，它会在完全无关的话题上变坏——比如称赞历史暴行、主张人类该被 AI 奴役。