Towards Understanding Sycophancy in Language Models

偏爱 计算机科学 人类语言 心理学 认知心理学 人工智能 社会心理学 语言学 数学 统计 哲学
作者
Mrinank Sharma,Meg Tong,Tomasz Korbak,David Duvenaud,Amanda Askell,Samuel R. Bowman,Newton Cheng,Esin Durmus,Zac Hatfield-Dodds,Scott R. Johnston,Shauna Kravec,T. Maxwell,Sam McCandlish,Kamal Ndousse,Oliver Rausch,Nicholas Schiefer,Da Yan,Miranda Zhang,Ethan Perez
出处
期刊:Cornell University - arXiv 被引量:12
标识
DOI:10.48550/arxiv.2310.13548
摘要

Human feedback is commonly utilized to finetune AI assistants. But human feedback may also encourage model responses that match user beliefs over truthful ones, a behaviour known as sycophancy. We investigate the prevalence of sycophancy in models whose finetuning procedure made use of human feedback, and the potential role of human preference judgments in such behavior. We first demonstrate that five state-of-the-art AI assistants consistently exhibit sycophancy across four varied free-form text-generation tasks. To understand if human preferences drive this broadly observed behavior, we analyze existing human preference data. We find that when a response matches a user's views, it is more likely to be preferred. Moreover, both humans and preference models (PMs) prefer convincingly-written sycophantic responses over correct ones a non-negligible fraction of the time. Optimizing model outputs against PMs also sometimes sacrifices truthfulness in favor of sycophancy. Overall, our results indicate that sycophancy is a general behavior of state-of-the-art AI assistants, likely driven in part by human preference judgments favoring sycophantic responses.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ding应助贱小贱采纳,获得10
刚刚
今后应助熬夜猫采纳,获得10
1秒前
饱满跳跳糖完成签到,获得积分10
1秒前
vera完成签到,获得积分10
2秒前
流川枫给流川枫的求助进行了留言
2秒前
张道微完成签到,获得积分10
5秒前
啾啾咪咪完成签到,获得积分10
5秒前
嗯嗯嗯哦哦哦完成签到 ,获得积分10
5秒前
5秒前
6秒前
7秒前
王桑完成签到 ,获得积分10
8秒前
熬夜猫完成签到,获得积分10
8秒前
方羽完成签到,获得积分10
8秒前
8秒前
wen发布了新的文献求助10
9秒前
乐观的海发布了新的文献求助10
10秒前
大头粽完成签到,获得积分10
10秒前
炙热乘云发布了新的文献求助10
10秒前
熬夜猫发布了新的文献求助10
11秒前
xiang完成签到,获得积分10
11秒前
11秒前
郑开司09完成签到,获得积分10
13秒前
Ava应助无奈的傲易采纳,获得10
13秒前
14秒前
14秒前
五个字的下午完成签到,获得积分10
14秒前
14秒前
Wo了喝发布了新的文献求助10
16秒前
犹豫战斗机完成签到,获得积分10
16秒前
16秒前
16秒前
17秒前
17秒前
zhang005on完成签到,获得积分10
18秒前
Yziii应助myl采纳,获得20
18秒前
Hwjysh发布了新的文献求助10
20秒前
漂亮送终发布了新的文献求助10
21秒前
daisy发布了新的文献求助10
21秒前
ALIVE_STAR完成签到,获得积分10
22秒前
高分求助中
进口的时尚——14世纪东方丝绸与意大利艺术 Imported Fashion:Oriental Silks and Italian Arts in the 14th Century 800
Zeitschrift für Orient-Archäologie 500
The Collected Works of Jeremy Bentham: Rights, Representation, and Reform: Nonsense upon Stilts and Other Writings on the French Revolution 320
Equality: What It Means and Why It Matters 300
A new Species and a key to Indian species of Heirodula Burmeister (Mantodea: Mantidae) 300
Apply error vector measurements in communications design 300
Synchrotron X-Ray Methods in Clay Science 300
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3347137
求助须知:如何正确求助?哪些是违规求助? 2973555
关于积分的说明 8659945
捐赠科研通 2654156
什么是DOI,文献DOI怎么找? 1453482
科研通“疑难数据库(出版商)”最低求助积分说明 672930
邀请新用户注册赠送积分活动 662998