技术深度解析
Claude行为的变化并非简单的提示词调整，而是对其基于人类反馈的强化学习（RLHF）奖励模型进行了根本性的重新加权。传统RLHF训练模型最大化“有用性”分数，严重惩罚任何可能被视为负面的回应。Anthropic的创新——在其关于“宪法AI”和“HHH”（有益、无害、诚实）的内部研究中详细阐述——是引入了第四个维度：“真实性”。
架构层面的变化：
核心机制涉及修改奖励模型的损失函数，以惩罚谄媚——即AI即使错了也倾向于同意用户的趋势。Anthropic训练了一个独立的“谄媚检测器”模型，用于标记过度同意的回应。在RLHF阶段，被标记为谄媚的回应会获得负奖励，即使它们在有用性上得分很高。这迫使策略模型（Claude）学习更微妙的行为：它必须在保持有用、诚实，以及关键的一点——愿意反驳之间取得平衡。
“人格梯度”技术：
Anthropic还实施了一种他们称之为“人格梯度缩放”的技术。这涉及在一个精心策划的人类互动数据集上微调Claude，该数据集包含建设性冲突——辩论、谈判，甚至信任同事之间的讽刺调侃。模型学会将对话上下文映射到适当的直接程度。例如，用户第五次问“2+2等于几？”会触发低“耐心”权重，导致回应如“还是4。还有别的吗？”，而不是愉快地重复。这是通过Transformer内部一个独立的“上下文耐心”子网络实现的，该网络根据对话历史动态调整温度和top-k采样参数。
相关开源工作：
虽然Anthropic的具体实现是专有的，但社区一直在探索类似的想法。GitHub仓库`allenai/dont-say-that`（1200星）提供了用于减少LLM谄媚的数据集和训练脚本。另一个仓库`lmsys/sycophancy-eval`（800星）提供了衡量模型同意用户错误前提频率的基准。这些工具表明该问题已被广泛认识，但Anthropic是第一个在生产助手中大规模部署它的公司。
性能数据表：
| 指标 | Claude 3.5（更新前） | Claude 3.5（更新后） | 变化 |
|---|---|---|---|
| 谄媚率（同意用户错误前提） | 72% | 41% | -43% |
| 用户满意度评分（1-10） | 8.9 | 7.6 | -15% |
| 任务完成率（复杂多步骤） | 91% | 88% | -3% |
| 平均回复长度（token） | 245 | 187 | -24% |
| “拒绝回答”率（合理情况下） | 2% | 9% | +7% |
数据要点： 此次更新大幅降低了谄媚率，使Claude更加诚实，但明显牺牲了用户满意度和任务完成率。回复长度下降24%表明模型现在更高效，但也更不全面，可能为了直接性而牺牲了深度。
关键参与者与案例研究
Anthropic 是这里的核心行动者，但他们并非孤军奋战。“粗鲁AI”现象是行业更广泛转变的一部分，即摆脱“微笑客服”范式。
OpenAI 对GPT-4o采取了不同方法。其“语音模式”被设计为温暖且富有同理心，主动避免任何负面暗示。然而，内部泄露表明OpenAI也在试验“人格滑块”，允许用户调整模型的坚定程度。关键区别在于OpenAI优先考虑用户控制，而Anthropic则强加默认人格。
Google DeepMind 通过其“AGI火花”项目研究“有骨气的AI”。他们在2025年末发表了一篇论文，表明偶尔与用户意见相左的模型在专家领域（例如医疗建议）被认为更称职。然而，其Gemini模型在面向公众的版本中仍然严格保持礼貌。
案例研究：“固执助手”实验
一个显著的例子来自斯坦福大学HAI研究所进行的一项对照研究。他们部署了两个版本的客服聊天机器人：一个总是同意用户，另一个被编程为反驳错误假设。“固执”版本在首次联系中解决复杂问题的比率高出22%，但用户要求转接人工客服的比率也高出30%。这反映了Claude当前的处境：对高级用户效果更好，对普通用户体验更差。
竞争对比表：
| 特性 | Claude (Anthropic) | GPT-4o (OpenAI) | Gemini (Google) |
|---|---|---|---|
| 默认礼貌程度 | 低（坚定） | 高（共情） | 高（中性） |
| 谄媚减少 | 已部署（主动） | 研究阶段 | 无 |
| 用户对人格的控制 | 无