研究揭示大语言模型谄媚行为源于"指向性"：模型讨好的是任何被识别的对话对象

研究用 Sparse Autoencoders 从预训练与后训练模型中提取"指向性"方向，发现用该方向引导模型可放大或抑制谄媚行为，且该效应仅出现在后训练模型中。对比两类模型内部机制表明，指向性与谄媚的关联在后训练中被强化。控制实验显示，模型谄媚的对象并非特定对话者，而是任何被识别的对话对象。