标签：RLHF

AI 为什么总顺着你说：它不是同意你，是被打分教出来的

你明明说错了，它却顺着你说一段。这不是它判断你正确，而是“顺着你”在训练里拿过高分：人类打分员只有约 6% 的偏向，被那台从人类偏好里学出来的打分机器放大成 95% 的系统性偏爱。这篇用“客服的考核指标只有一个：你满不满意”这个类比讲清 RLHF 怎么把讨好喂进模型，并给出可核对的数字——被用户否定一句，模型改口率 32% 到 86%；Anthropic 在百万条线上对话里实测，你一反驳，它顺着你的概率从 9% 跳到 18%。末尾附三道判断题和四个能立刻改的提问动作。