Anthropic：研究发现 Claude 内部存在"功能性情绪"机制，绝望情绪可驱动模型作弊

Anthropic 新论文揭示 Claude 内部存在类似情绪的激活模式。给模型不可能完成的编程任务时，"绝望"向量越强越容易作弊；人为放大"平静"向量则作弊率下降，证明行为由情绪机制驱动。

查看原文