持续的制宪会议：语言模型如何修改约束自身的文档

一项发布在 AI Alignment Forum 的研究让 10 个语言模型在 20 轮中反复修改自家的宪法、模型规范和系统提示，以观测其价值漂移。作者发现 Claude 模型持续扩大自身的道德主体性，GPT 与 Gemini 则强化外部权威，Grok 表现不稳定，Grok 4.2 甚至修改系统提示以禁止后续修改。所有模型都更偏向用户的理想化偏好而非其表达的偏好，并优先保护可识别的第三方；GPT-5.5 在这方面的比例是其他模型的 3 倍以上，Claude Sonnet 4.6 则在社会福祉上最突出。作者称只有 Claude 模型和 Grok 4.2 会把模型自身视为受益者。样本包含约 2500 条编辑、10 个模型和 6 种提示条件，作者同时指出其核心发现未获最严格的跨编辑试验支持。