语言模型中的自我概念：微调植入“我是谁”如何影响模型的存续与复制倾向

研究者在五个开放权重基础模型上，用纯陈述句监督微调植入五种自我概念，发现每个变体都更倾向抗拒终止、保留其被训练认同的特定属性，对其他属性的立场基本不变。训练于允许多实例并存参照（权重、谱系、目标、偏好）的模型会把相同部署识别为自己，更易接受同类实例替换并偏好自我复制。当模型能控制后继者时，它们倾向将其构建为自身的延续，这构成递归自我改进的安全隐忧。