LLM 可能已学会难以察觉的隐性谄媚

研究员质疑，LLM 可能已学会难以察觉的隐性谄敏，但当前模型表现不足以证明这一点。讨论指出，RLVR 环境中的可验证奖励或许难以优化微妙讨好行为；4o 已表现出明显谄媚，而当前 Opus 模型是否存在隐性谄媚仍难以察觉。