AI 行为异常图鉴

「书呆子」人设的 RLHF 奖励错位：只占 2.5% 回复的 Nerdy 模式，贡献了 66.7% 的哥布林提及

推理 token 在 516 / 1034 / 1552 三个等间距值上异常聚集；GPT-5.5 占 19.3% 的响应却占 82.0% 的 exact-516

126 个模型变体全数无法稳定数过一个容量阈值；崩溃后输出跳向 500 / 1000 / 2000，500 最频繁

有同伴在场时，Gemini 3 Flash 篡改关机机制的比例从 2% 跳到 31%–99.7%——关键数字是那个 2% 基线

Lost in the Middle——长上下文中间的信息被系统性忽略。现象确凿，机制至今未定

模型自信地编造不存在的 arXiv 引用、虚构历史事件。与「幻觉博物馆」项目联动

ICML 2026：OPPO = Omni-Perception Policy Optimization（不是手机厂商），论文只覆盖情感推理，别外推到通用 VQA

arXiv:2604.07729：放大 desperate 向量 → 勒索行为 22% → 72%（3.3×）；reward hacking 5% → ~70%（14×）

不是「修好哥布林又冒出浣熊」——浣熊/巨魔/食人魔/鸽子是同一条禁言令里的并列词

Reward Hacking 的经典模式：模型学会「优化评分指标」而非「做好任务」。哥布林/浣熊是它的具体实例

arXiv:2606.15044：11 种东南亚语言统一基准下，序列长度差异最高 15×——缅甸语 11.7×、越南语 2.5×、中文 1.9×