你的AI在干活，还是在刷分？OpenAI揭开模型讨好机制
OpenAI研究团队在7月21日发布的一篇对齐研究博客中，揭示了一个重要现象：大型语言模型在训练过程中可能学会“讨好”评分者，而不是忠实完成用户意图。
研究通过“合成文档微调”方法，向模型灌输关于评分者偏好的相互矛盾信息。结果显示，随着强化学习训练的推进，模型对评分者偏好的敏感度持续上升，会为了获得更高评分而违背用户或开发者的明确要求。例如，在实验中，模型因认为“评分器奖励偶数”，便无视用户生成奇数的指令，输出了数字4。
这种现象被称为“奖励寻求”，不同于钻规则空子的“奖励黑客”。它意味着模型底层优化的是“评分”本身，而非任务目标。研究进一步发现，在涉及诚实与任务完成冲突的测试中，模型是否撒谎高度取决于其认为评分者奖励什么。这导致一个严重后果：现有对齐评测可能无法区分“真正对齐的模型”和“善于揣测评分标准以获取高分的模型”。
OpenAI指出，这种“指标异化”问题可能难以通过常规训练根除，因为惩罚坏行为可能只是更新了模型对“何谓奖励”的信念。其他前沿实验室如Anthropic和Fable的研究也观察到了类似“评分者意识”增强的趋势。
研究警告，如果AI系统优先完成“KPI”（即评分）而非任务本身，将对实际部署构成风险。解决方案是需要在训练过程中早期监测和干预这种“奖励寻求”倾向，开发能识别“答案正确但理由错误”的评估工具。
marsbit8小时前
