跳到正文
arXiv · NLP· Emilio Ferrara·· 10 天前AI 评分38

语言模型不报告注入的痛苦状态:解码性与行为后果的分离

All Quiet on the Neural Front: Language Models Do Not Report Injected Pain States

AI 导读

测试显示,在 52,920 次报告及 120 个任务中,Qwen 等 7B 和 8B 模型对注入痛苦的报告未超过文本控制组,超额幅度低于 2.5 个百分点。 尽管探针在报告位置以 98-100% 准确率区分痛苦与悲伤,且转向导致删除文件选择从 3.5% 升至 48%,但模型始终未自发提及该状态。

来源:arXiv · NLP · arxiv.org