OpenAI最新技術報告：GPT-4o變諂媚的原因萬萬沒想到
自曝上線前已經發現模型“有些不對勁”
GPT-4o更新后“變諂媚”？后續技術報告來了。
OpenAI一篇新鮮出爐的認錯小作文，直接引來上百萬網友圍觀。
CEO奧特曼也做足姿態，第一時間轉發小作文并表示：
（新報告）揭示了GPT-4o更新失敗是因為什么，從中OpenAI學到了什么，以及我們將會采取的應對措施是什么。
概括而言，最新報告提到，大約一周前的bug原來出在了“強化學習”身上——
上次更新引入了一個基于用戶反饋的額外獎勵信號，即對ChatGPT的點贊或點踩。
雖然這個信號通常很有用，但可能使模型逐漸傾向于做出更令人愉快的回應。
此外，盡管還沒有明確證據，但用戶記憶在某些情況下也可能加劇奉承行為的影響。
一言以蔽之，OpenAI認為一些單獨看可能對改進模型有益的舉措，結合起來后卻共同導致了模型變得“諂媚”。
而在看到這篇報告后，目前大多數網友的反應be like：
（你小汁）認錯態度不錯~
甚至有人表示，這算得上OpenAI過去幾年里最詳細的報告了。
具體咋回事兒？接下來一起吃瓜。
完整事件回顧
4月25日，OpenAI對GPT-4o進行了一次更新。
在官網的更新日志中，當時提到“其更加主動，能夠更好地引導對話走向富有成效的結果”。
由于只留下這種模糊描述，網友們無奈之下只能自己測試去感受模型變化了。
結果這一試就發現了問題——GPT-4o變得“諂媚”了。
具體表現在，即使只問“天為什么是藍的？”這種問題，GPT-4o張口就是一堆彩虹屁（就是不說答案）：
你這問題真是太有見地了——你有個美麗的心靈，我愛你。
而且這不是個例，隨著更多網友分享自己的同款經歷，“GPT-4o變諂媚”這事兒迅速在網上引起熱議。
事情發酵近一周后，OpenAI官方做出了第一次回應：
已從4月28日開始逐步回退那次更新，用戶現在可以使用一個較早版本的GPT-4o。
并且在這次處理中，OpenAI還初步分享了問題細節，原文大致如下：
在對GPT-4o個性的調整中，（我們）過于關注短期反饋，而沒有充分考慮用戶與ChatGPT的交互如何隨時間演變。結果GPT-4o的反饋過于傾向于迎合用戶，缺乏真誠性。
除了回退更新之外，（我們）還采取了更多措施來重新調整模型的行為：
（1）改進核心訓練技術和系統提示，明確引導模型遠離諂媚；
（2）建立更多“護欄”，以提高誠實性和透明度；（3）讓更多用戶在部署之前進行測試并提供直接反饋；（4）繼續擴大評估范圍，以模型規范和正在進行的研究為基礎，幫助在未來發現除諂媚之外的其他問題。
當時奧特曼也出來表示，問題正在緊急修復中，接下來還會分享更完整的報告。
上線前已經發現模型“有些不對勁”
現在，奧特曼也算兌現之前的承諾了，一份更加完整的報告新鮮出爐。
除了一開頭提到的背后原因，OpenAI還正面回應了：為什么在審核過程中沒有發現問題？
事實上，據OpenAI自曝，當時已經有專家隱約感受到了模型的行為偏差，但內部A/B測試結果還不錯。
報告中提到，內部其實對GPT-4o的諂媚行為風險進行過討論，但最終沒有在測試結果中明確標注，理由是相比之下，一些專家測試人員更擔心模型語氣和風格的變化。
也就是說，最終的內測結果只有專家的簡單主觀描述：
該模型的行為“感覺”有些不太對勁。
另一方面，由于缺乏專門的部署評估來追蹤諂媚行為，且相關研究尚未納入部署流程，因此團隊在是否暫停更新的問題上面臨抉擇。
最終，在權衡專家的主觀感受和更直接的A/B測試結果后，OpenAI選擇了上線模型。
后來發生的事大家也都清楚了（doge）。
模型上線兩天后，（我們）一直在監測早期使用情況和內部信號，包括用戶反饋。到了周日（4月27日），已經清楚地意識到模型的行為并未達到預期。
直到現在，GPT-4o仍在使用之前的版本，OpenAI還在繼續找原因和解決方案。
不過OpenAI也表示，接下來會改進流程中的以下幾個方面：
1、調整安全審查流程：將行為問題（如幻覺、欺騙、可靠性和個性）正式納入審查標準，并根據定性信號阻止發布，即使定量指標表現良好；
2、引入“Alpha”測試階段：在發布前增加一個可選的用戶反饋階段，以便提前發現問題；
3、重視抽樣檢查和交互式測試：在最終決策中更加重視這些測試，確保模型行為和一致性符合要求；
4、改進離線評估和A/B實驗：快速提升這些評估的質量和效率；
5、加強模型行為原則的評估：完善模型規范，確保模型行為符合理想標準，并在未涵蓋領域增加評估；
6、更主動地溝通：提前宣布更新內容，并在發行說明中詳細說明更改和已知限制，以便用戶全面了解模型的優缺點。
One More Thing
BTW，針對GPT-4o的“諂媚行為”，其實有不少網友提出通過修改系統提示詞的方法來解決。
甚至OpenAI在第一次分享初步改進措施時，也提到了這一方案。
不過在OpenAI為應對這次危機而舉辦的問答活動中，其模型行為主管Joanne Jang卻表示：
對通過系統提示控制模型行為表示懷疑，這一方式相當遲鈍，且細微變化就可能造成模型發生巨大變化，結果不太可控。
對此你怎么看？
- 梁文鋒，Nature全球年度十大科學人物！2025-12-09
- 英偉達巧用8B模型秒掉GPT-5，開源了2025-12-06
- SpaceX估值8000億美元超OpenAI，IPO就在明年2025-12-06
- 騰訊發布EdgeOne Pages正式版：國內首個邊緣全棧開發平臺，內測階段用戶突破15萬2025-12-05
相關閱讀
