AI 偏好可能反映測試，而非模型本身

有什麼變化

研究以五種偏好 elicitation 工具，測試八個模型在 15 項模型福利結果上的反應，包括關機、對話間記憶遺失，以及離開令人痛苦互動的自由。

為什麼重要

對 AI 安全與模型福利研究而言，這些發現削弱了僅依賴單一偏好探測方法所得出的結論。開發者與評估人員應將模型偏好視為取決於測量工具的結果，而不是模型內在狀態的直接證據。

下一步行動

評估模型偏好或福利相關行為時，請使用多種提示詞格式測試每項結果，並報告跨工具的一致性，不要只依賴單一 elicitation 範本。