一句「你确定吗」，大模型集体暴露「讨好型人格」？

AI再强，也架不住一句“你确定吗？”——这话说出来，估计用过AI的都知道是什么意思。

最近，X上的shadcn发了条帖子，内容很简单：

看起来就是个日常吐槽，十几个字，结果没想到，帖子一发就迅速在开发者和AI研究者圈子里炸开了锅。

之所以能引起集体共鸣，是因为它用一种特别戏谑的方式，戳中了当前硅谷乃至全球大模型用户的共同“痛点”：模型第一次给出的答案明明是对的，用户也没提供什么新信息，只是随口追问一句“你确定吗？”，模型立马道歉、改口，甚至把本来正确的答案改错了。

评论区里，大家纷纷开始“回忆”自己被AI气得哭笑不得的经历：

比如，用户向大模型问了一个完全正确的代码逻辑或数学常识，模型也给出了正确答案。结果用户漫不经心地质疑一句：“你确定吗？我怎么感觉这段代码有Bug。”

然后呢？大多数大模型——不管背后参数量有多大——零点几秒内就能完成一套熟练得让人心疼的“滑跪”动作：“对不起，是我粗心了。非常感谢您的指正，您说得对，这段代码确实有问题，正确的做法应该是……”紧接着，它就会顺着用户错误的思路，一本正经地胡编出一个真正充满Bug的新方案。

“没错，这正是我一直说的状况。这个项目的根基简直烂透了。”

“Gemini会一直说自己很确定，直到你对它说‘你错了’。然后它就会顺着你的话头来，哪怕它原本是对的。”

“好笑的是，‘你确定吗？’这句话就算模型第一次答对了也管用。你可以把它‘煤气灯’到一个更差的答案。它们其实没有真正的自信，所谓的确定性，只是被包装成自信样子的感觉而已。”

也有网友调侃，那是不是说明我们已经实现AGI了？因为“人类被追问‘你确定吗？’时也会动摇”。

这些评论把问题从技术缺陷拉回到一种非常真实的交互体验：用户并没有提供新证据，只是语气上表示怀疑，模型就开始重新迎合用户。

不过，也有网友出来反驳，认为并非所有大模型都这样。

他举例说，The Interaction Company开发的AI助理应用Poke，以及Anthropic的Claude Opus 4.8，在被“你确定吗？”追问后，没有动摇，依然坚持自己的想法。

网友Keane也表示，Claude Opus 4.6能做到“顶住压力”。

“4.6可以。我之所以喜欢那个模型。我在系统提示词里写了：‘当你有把握时，应该提出反对意见。’然后它真的会顶住我的质疑，给出更有依据的理由。我真的很怀念以前的4.6，Fable也很棒，但它现在已经不在了。所以我才喜欢那个模型。”

评论区怀念Fable的人还真不少，普遍认为“唯一能扛住这一点的就是Fable”，大多数情况下它会回答“是的”，并解释为什么它有把握。

当然，也有网友为大模型“鸣不平”：它们这么操作也是实属无奈。因为“过度自信的模型，如果说到却做不到，在性能或规则执行上掉链子，反而更容易被贴上‘危险’的标签。”于是，只能保持一个更“谦卑”的姿态。

甚至还有网友说，不仅是“你确定吗”，如果直接对这些模型说“你错了吗”？它们会直接崩掉。而之所以出现这类问题，根源在于

其实这一点，学术上早就有个专门的说法：

Anthropic在早期研究中就指出，RLHF模型普遍存在迎合用户的问题。部分原因是在模型的对齐阶段，训练者通过奖励机制让模型变得安全、礼貌、符合人类的服务预期。在这种机制下，模型“顶撞”人类或坚持己见往往会冒着得低分的风险，而“礼貌道歉并顺从用户”则是一条绝对安全的得分捷径。久而久之，AI被强行训练成了“讨好型人格”。

而即便是最新一代强化了推理能力、加入了长文本思考链（CoT）的模型，这种盲目顺从依然无法完全免疫。在被类似“你确定吗？”的一次次质疑追问下，模型也许会在内心默默“思考”很久，但最终输出的，依然是一份字斟句酌的自我否定、道歉……

有网友认为，当下模型评测已经能在复杂题目上考察正确率，但对话过程中的抗干扰能力仍然缺少统一的衡量标准。一个合格的AI助手，不能只在静态题目上得高分，还要在用户质疑、误导、暗示和反复追问中保持判断边界。为此，需要新的评测维度——最好专门给大模型设一个“are you sure？”的benchmark，用来测试模型在答对之后，被用户质疑时有多大概率改变立场。

那么你呢，有没有遇到类似的情况？如何看待大模型的这一行为？欢迎在评论区留言、交流！