研究揭示大模型动机归因偏差来源

Xiaoyan Wu 与 Fan Shi 发布一项预注册研究，对比大语言模型内部线性探针读数与同一提示位置上的自评评分，发现模型对告密者动机的归因比人类更善意。 研究称，这一偏差在不同动机上的来源不同：对自利和伤害意图两类恶意动机，内部读数与表达评分没有差异，较低评分来自探针方向上信号更弱，而非输出抑制；对责任和关心他人两类善意动机，表达评分高于内部读数，说明在报告环节被放大。

AI 根据报道生成 · 4 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。