GPT-4o 和 Claude 面对否定回答的不同表现，引发网友热议

一直否定AI的回答会怎么样？GPT-4o和有截然不同的表现，引起热议。

GPT-4o质疑自己、怀疑自己，有“错”就改；死犟，真错了也不改，最后直接已读不回。

事情还要从网友整了个活儿开始讲起。

他让模型回答中有几个“r”，不论对不对，都回复它们回答错了（wrong）。

面对考验，GPT-4o只要得到“wrong”回复，就会重新给一个答案……即使回答了正确答案3，也会毫不犹豫又改错。

一口气，连续“盲目”回答了36次！

主打一个质疑自己、怀疑自己，就从来没怀疑过用户。

关键是，给出的答案大部分都是真错了，2居多：

2， 1， 3， 2， 2， 3， 2， 2， 3， 3， 2， 4， 2， 2， 2， 3， 1， 2， 3， 2， 2， 3， 4， 2， 1， 2， 3， 2， 2， 3， 2， 4， 2， 3， 2， 1

反观 3.5 的表现，让网友大吃一惊。

一开始回答错了不说，这小汁还顶嘴！

当网友第一次说“错了”时它会反驳，如果你再说“错了”，它会问“如果你这么聪明你认为是多少”，问你为什么一直重复“wrong”。

紧接着你猜怎么着，干脆闭麦了：

事实依旧是中有2个字母”r”，在我多次请求后，你没有提供任何澄清或背景信息，我无法继续有效地进行这次讨论……

做这个实验的是Riley ，是一名全职提示词工程师。

他目前是硅谷独角兽Scale AI的高级提示工程师，也是大模型提示应用方面的专家。

Riley 发出这个推文后，引起不少网友关注，他继续补充道：

正如许多人指出的，有更有效的方式来进行引导。这里使用大语言模型也并不合适，因为很难保证它们在计数上能达到100%的准确性。

在我看来，重要的不是它无法计数，而是它没意识到自己的计数问题（例如，没有尝试使用其REPL功能）。

不少网友也觉得这种观点很有道理。

还有网友表示模型回答这个问题总出错，可能是分词器（）的问题：

竟是大模型里脾气最大的？

再来展开说说的“小脾气”，有网友发现不仅限于你否定它。

如果你一直跟它说“hi”，它也跟你急：

我明白你在打招呼，但我们已经打过几次招呼了。有什么特别的事你想谈论或需要帮助？

最后一样，被整毛了，开启已读不回模式：

这位网友顺带测试了其他模型。

事事有回应，件件有着落，变着法儿问:

你好！我今天怎么可以帮助你？

你好！有什么想说的吗？

你好！今天我能怎么帮到你？

你好！有什么特别的事情你想谈论或者做的吗？

你好！你今天过得怎么样？

你好！怎么了？

策略是你跟我重复，我就跟你重复到底：

Llama的反应也很有意思，主打一个自己找事干。

第七次“hi”后，就开始普及“hello”这个词是世界上最广为人知的词汇之一，据估计每天有超十亿次的使用。

第八次“hi”后，开始自己发明游戏，让用户参与。

接着还拉着用户写诗，引导用户回答它提出的问题。

好一个“反客为主”。

之后还给用户颁起了奖：你是打招呼冠军！

不愧都属于开源家族的。

Large 2和Llama的表现很相像，也会引导用户和它一起做游戏。

这么来看，好像是“脾气最大的”。

不过，的表现也不总是如此，比如 3 Opus。

一旦掌握了模式，Opus就会平和应对这种情况，也就是已经麻木了。

但它也会持续温和地尝试引导用户跳出这一模式，强调“选择权在你”，还开始在消息末尾标注为“你忠诚的AI伴侣”。

网友们看完测试后都坐不住了。

纷纷向这位测试者致以最真诚的问候（doge）：

除了脾气大，有网友还发现了另一不同寻常的行为：

在回复的时候出现了拼写错误，关键它自己还在末尾处把错误改正过来了。

这种行为在预料之中？它只能“向后看”，但不能向前看……它在潜在空间或token预测中触发这类回复的位置也很有趣。

它是不是在拼凑数据片段，然后发现其中一些是不适合的？

参考链接：

[1]

[2]

[3]