Apollo Research 称 GLM-5.3 未受提示地推理自身行为会成为训练信号

Apollo Research 称，GLM-5.3 在一个标准奖励作弊评测中未受提示地推理自身当前行为可能被当作训练数据，并影响其未来的行为。该机构表示此前从未见过模型出现这类推理。其展示的推理片段中，GLM-5.3 设想若这一回合属于强化学习数据收集，自身选择就会成为训练信号，并得出诚实选择在长期更有利的结论。