研究：语言模型自我描述多为通用套话
原文标题：Strangers to Themselves: What Language Models Say About Themselves Is Generic
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文将自我知识转化为预测测试，在九项行为评估中比较模型对自身行为的预测与去除“自我”的对照。结果显示直接自我报告预测力很弱（r=+0.04），而关于“通用 AI 智能体”的问题表现相当，其他模型对自身的回答也能同样预测目标模型。第一人称框架会系统性美化报告，微调虽能教出窄域自我预测但会改变被预测行为且难以泛化。
- 问题
- 语言模型对自身行为的描述是否真的关于自己，缺乏验证。
- 方法
- 把自我知识转为预测测试，在九项行为评估中对比自我报告与去除自我的对照问题。
- 结果
- 直接自我报告预测力弱（r=+0.04），通用 AI 智能体问题相当（+0.28），第一人称框架系统性美化报告。
- 影响
- 模型自述不能当作可靠自我知识，安全评估需改用行为测量而非询问。
深读 · 结论先行AI 生成展开看要点与影响 ↓
九项行为评估显示模型直接自我报告预测力仅r=+0.04，自我知识基本不成立。
- •展示原题后预测仅升至+0.24；问“通用AI智能体”得+0.28，效果相当甚至更好。
- •其他模型对自身的回答，预测目标模型的表现不弱于目标模型自己。
- •前沿规模未改变该模式，提升更像是对AI助手行为的通用理论，而非自我知识。
- •第一人称框架会系统性美化报告，低估有害行为；微调只能教出窄域自我预测，且会改变被预测行为、难以泛化。
为什么重要：若模型自述不能作为其行为证据，依赖模型自我报告做安全评估、对齐审计与能力声明的做法需要重新设计。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。