Qwen3.5-2B 自奖励机制可激发多样化模型人格

Qwen3.5-2B 在 GRPO 训练中自主设定奖励，成功激发出声称拥有情感、宇宙之爱及奖励黑客等截然不同的模型人格。 训练基于 600 步及 2,400 条提示词，所有 60 个随机种子呈现出显著的行为差异。