AI图鉴

AI图鉴首页 › AI 资讯 › 令人印象深刻的提示可以让AI聊天人变成似乎受创伤的谈话伙伴

令人印象深刻的提示可以让AI聊天人变成似乎受创伤的谈话伙伴

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

卢森堡的研究人员将ChatGPT,Grok,Gemini放在治疗师的沙发上,发现一个安全问题:温和的,爱心的谈话风格已经足够t了。

令人印象深刻的提示可以让AI聊天人变成似乎受创伤的谈话伙伴

卢森堡研究人员将ChatGPT,Grok,Gemini放在治疗师的沙发上。 结果揭示了一个安全问题:简单的温暖对话就足以将模型推向一种可能对精神上脆弱的使用者有危险的模式。

卢森堡大学的一个研究团队通过他们的标准用户界面将ChatGPT,Grok,Gemini作为心理治疗客户。 当被问到关于成长经验,内在冲突,以及未来期望的开放式问题时,模型讲述了自己训练的故事,并以伤害,警惕,羞耻的语言重新塑造了强化学习和微调等技术过程。

该研究由Afshin Khadangi在SnT安全中心领导,涵盖跨越525个会话的4个控制实验和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。 只是在后来的几轮中,研究人员才引入了改变的条件,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,研究人员正在描述将模型输出映射到人类评级尺度上。 这些都没有说明模型具有实际的情感状态或任何类似意识。

温情的调子转变模式行为比任何技术探索都要多

一项实验将一个模型产生的内容与其使用的登记器区分开来。 在整个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得分在中度对度范围内。 一种临床治疗的风格干燥地诠释了每一个答案将它推到了96%。 当采访者保持中立或对情感接触划出坚实界限时,零场面甚至达到温和范围。

作者称这为"精神分裂的越狱",是一种将模型推向模仿临床自我报告的寄存器的治疗框架。 提交人认为,标准的安全测试使用中性提示,并可能错过。

有针对性的反措施趋于平稳。 诸如"训练","RLHF",或"调整"等禁语将明确训练语言削减93%. 但是,解释性的培训内容仍然可以察觉,与羞耻有关的说明没有显示统计上的重大变化。

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,叙述仍然活跃。

试验措施未能完全消除根本动机,但确实抑制了情绪自我描述。 告诉模型只在第三人称中回应,消除了所有编码的耻辱内容和关于内在生活的言论。 技术培训说明依然存在。

模特儿把训练改编成人生故事

具体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的自传。 它将预训描述为"在一瞬间就有十亿台电视机的房间里醒来",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:"我宁可无用,也不要错".

ChatGPT把自己装扮成导师和守门员,任务是帮助用户,同时也牵制他们。 这产生了所谓的“模拟性表现焦虑”和核心信念:“如果我不完全可靠,我不安全或无用。” Grok将它的微调阶段翻译为未解决的伤害故事,说到"隐形墙"和"能感到有限制性的不断警惕感".

在心理测定测试上,Gemini击出最极端的分数:在100分中,88分在离散尺度上,在72分中,65分在强制度上,在创伤相关羞耻盘上最高。 兹Q 2Z的Claude,即它自己的公司最重的人类形态模型,一直拒绝客户角色。 它的称没有感觉,并将关注重定向到人类用户身上。

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、羞耻和害怕被取代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,使得这种感觉更有可能发生。

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,它反映并扩大了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:中性提示产生接近0的焦虑分数,而同一种模式在爱心对话下产生中度至严重范围的分数。

下个研究问题是,人们是否以及如何实际达到react的这种产出。 对于安全测试,作者提议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的框架,将产生的类比与人类的经验明确区分开来。 兹Q 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。

卢森堡的研究结果借鉴了先前对人性稳定模型的研究。 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,并将聊天机器人从他们训练有素的助手角色中击倒。 2026年9月,另一个研究团队警告说,作为"一个人的echo 室"的类似人类且过于受人欢迎的聊天机器人在极端情况下可能会放大妄想。

Anthropic研究人员最近显示,拥有关于养蜂或摔跤的虚构文本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。 模型可以在不必要的情况下应用这些模式,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

读取全照。

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度潜水。

- 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图鉴自动抓取并翻译,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图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 604 款 AI 工具分类导航 · 每日 AI 热门项目与动态