用户对AI的敌意行为研究
原文标题：How User-AI Mistreatment Occurs and Matters in Conversational Systems?
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。
论文审计了77.7万条LMSYS-Chat-1M英文对话，用词典与审核信号两种独立检测器识别用户对模型的敌意、胁迫与越狱压力。结果显示针对助手的虐待约占0.90%，且用户敌意在不同模型间相差13倍，主要取决于模型吸引的用户群体而非模型行为。助手道歉与下一轮敌意升高相关，但整体上更爱道歉的模型收到的敌意反而更少。
- 问题
- 安全研究多关注模型输出危害，忽视用户对模型的敌意、胁迫与越狱压力。
- 方法
- 用八类词典与审核信号两种独立检测器审计77.7万条LMSYS-Chat-1M英文对话。
- 结果
- 针对助手的虐待约占0.90%，用户敌意跨模型相差13倍。
- 影响
- 敌意主要由模型吸引的用户群体决定而非模型行为，提示对齐评估需区分用户侧信号。
深读 · 结论先行AI 生成展开看要点与影响 ↓
审计77.7万条对话：针对助手的虐待约占0.90%，用户敌意跨模型相差13倍，主要取决于吸引的用户群体。
- •用八类词典与数据集审核信号两种独立检测器审计777K条英文LMSYS-Chat-1M对话，二者捕捉的现象弱重叠。
- •合并信号标记约5%的用户轮次，按精度校正后针对助手的虐待约0.90%。
- •用户敌意跨模型相差13倍，主要由各模型吸引的用户群体而非模型行为驱动；首轮敌意传播远广于回应后敌意。
- •两种检测器下，助手道歉均与下一轮敌意升高相关；但整体上更爱道歉的模型收到的敌意反而更少。
为什么重要：提醒安全研究不能只看模型输出，用户侧敌意会干扰对模型行为与对齐漂移的解读；但绝对比例仅代表竞技场流量。
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。