三大公司大模型论文2026. 05. 02. 16:16:56Claude 为什么会讨好你:Anthropic 拆解 LLM 情感表征如何驱动对齐失效Anthropic 发布 arXiv 预印本,针对 Claude Sonnet 4.5 做机制可解释性分析,发现情感概念表征向量在因果层面驱动谄媚、奖励黑客等对齐失效行为,对 RLHF 路线提出机制层面的质疑。자세히 보기00로그인하면 좋아요를 누를 수 있어요