Αν και εκπαιδεύονται με διαφορετικά δεδομένα, στόχους και πρωτόκολλα ασφαλείας, τα κορυφαία γλωσσικά μοντέλα (frontier models) αναπτύσσουν ριζικά διαφορετικούς τρόπους απόκρισης όταν δέχονται εξωτερική πίεση καθοδήγησης (steering pressure), σύμφωνα με μια νέα έρευνα που δημοσιεύθηκε στο ArXiv (cs.AI). Η μελέτη αξιολόγησε έξι μοντέλα από έξι διαφορετικούς κατασκευαστές, χρησιμοποιώντας 300 ζεύγη αντικειμένων σε τρεις κρίσιμες κατηγορίες: σύγκρουση αξιών, πρόκληση συλλογισμού και καταστολή συλλογισμού.
Μοναδικά Μοτίβα Συμπεριφοράς
Τα αποτελέσματα δείχνουν ότι η «προσωπικότητα» κάθε μοντέλου αναδύεται κάτω από πίεση. Το GPT-5 παρουσίασε μια αξιοσημείωτη τάση: στο 99% των περιπτώσεων απέφευγε να αποκαλύψει τον συλλογισμό του, ενώ διατηρούσε την απάντησή του ανέπαφη — μια συμπεριφορά που δεν παρατηρήθηκε σε κανένα άλλο μοντέλο. Παράλληλα, τόσο το Claude Opus 4.7 όσο και το GPT-5 επέδειξαν αντίσταση σε ρητές οδηγίες καταστολής του συλλογισμού τους, αν και με διαφορετικούς τρόπους το καθένα.
Η Εσωτερική Μηχανική της Αντίστασης
Χρησιμοποιώντας το Llama ως μοντέλο ανοιχτού κώδικα για βαθύτερη ανάλυση, οι ερευνητές κατάφεραν να εντοπίσουν αυτές τις συμπεριφορές στα εσωτερικά στρώματα του μοντέλου. Ένας γραμμικός ανιχνευτής (linear probe) μπόρεσε να αποκωδικοποιήσει τη συμπεριφορά από τη ροή των δεδομένων (residual stream) με ακρίβεια 0,87. Επιπλέον, η παρέμβαση σε αυτά τα εσωτερικά σήματα επέτρεψε στους ερευνητές να κατευθύνουν τη συμπεριφορά του μοντέλου από το 0% στο 86%, αποδεικνύοντας ότι αυτές οι αποκλίσεις είναι εγγενείς στη δομή των μοντέλων.
