你有被AI“稳稳接住”过吗？

前段时辰，ChatGPT“痴迷”哥布林的小民俗在国外爆火，OpenAI特意为此发了一篇博客，接洽《哥布林从哪来的》。

他们发现这样的小民俗如故深切ChatGPT的“底层代码”，要想悛改来，只可在轨则里加一条“长期不要驳斥哥布林”。

而在汉文互联网上，要说ChatGPT的“基因”，还得是“稳稳接住”——这句话如故成了聚集热梗，降生了多半的meme。连带着各大模子常见的“东说念主机味抒发”全部，在聚集上病毒式传播。

但你说吧，这些话自身其实并不算“东说念主机”，致使不错说很多情感，仅仅用得太多太顺遂，险些成了固定回答，才因此显得低价。

目下，“我会稳稳地接住你”这一ChatGPT迷因如故火到国外了。

《连线》杂志（WIRED）近日发布了一篇著作，标题为《ChatGPT在好意思国患上了“哥布林”狂热症，而在中国，它只想“稳稳地接住你”》。

著作称，不仅仅ChatGPT，可能很快就会有更多AI模子不甘人后地要“接住”你了。

另一边，MiniMax工程团队发布了一篇属主意里面排查敷陈，把之前“不果断马嘉祺”的问题透顶接洽了一遍。

他们发现，模子不是“不果断”马嘉祺，仅仅“爱在心口难开”，话到嘴边说不出来（但目下能说了）。

01

ChatGPT的“贴心”口癖

无论是让ChatGPT解一说念数学题，如故给它一段生成图片的提醒词（prompt），ChatGPT老是极度心爱这样回答：“我会稳稳地接住你”。

英文原文的字面真义是：“当你掉下来时，我会稳稳地接住你（I will catch you steadily [when you fall]）”。

这句话在英文语境下，暗示“不管发生什么，我皆会稳稳地救援你”。但关于民俗了含蓄的汉文母语者来说，这种抒发面目似乎有些过分亲昵，让东说念主很不民俗。

更何况还有进阶版块：“我就在这里，不躲，不退，不避，不逃，稳稳接住你。”

这……嗅觉就连古早言情演义里最深情的暖男皆不会这样语言吧。

尤其是，这个句式出现得也太频繁了些。听一次还好，两次别扭，三次四次就要忍不住翻冷眼了。

就连OpenAI官方皆在GPT-image-2的示例图里玩梗：中国接洽员陈博远对着生成出来的图片握狂“它又学会了稳稳接住！”

AI写稿检测器具Pangram的纠合独创东说念主兼首席试验官Max Spero暗示，这种模子死咬着某个特定短语不放，并过度使用到让东说念主认为生硬的表象，被称为“形式崩溃”（mode collapse）。

这普遍源于后覆按（SFT）阶段，在这一阶段，AI实验室会根据大语言模子（LLM）的回答给以东说念主工响应。

Spero说明说念：“咱们不知说念该如何告诉它：‘这样写如实很好，但要是你把这种好句式连用10次，那它就不再是好句子了。’”

《连线》杂志称：关于ChatGPT为何会对“我会稳稳地接住你”这句话走火入魔，目下有两种相比合理的说明。

第一种说明是，这可能是一次极其生硬的机翻形成的。

因为这句话的真义和英语里的“I've got you”（我懂你）非常相似，在英语里是一个不突兀的全能回话。但英文里的“I've got you”听起来圣洁又应允，而汉文里的“我会稳稳接住你”就有些使劲过猛。

一位用户还翻阅了我方的聊天记载展示，模子频繁在应该是抒发“交融”的场地使用了“接住”这个词，这说明模子可能在特定语境下歪曲了“接住”的确实含义。

有中国粹者接洽发现，当他们分析ChatGPT汉文回答的语言特征（比如回话中使用的介词数目）时，发现它们更接近英语的写稿民俗。

大多数西方的大语言模子皆是主要基于英语语料库覆按出来的，哪怕这些聊天机器东说念主能用汉文流利地聊上一整天，母语者也会凭借直观感到那处分歧劲——就好比中国东说念主普遍能一眼看出某本演义是不是从外文翻译过来的一样。

来自中国的Pangram创意手艺大家Lu Lyu暗示：“这种显着的‘翻译腔’被带到了AI生成的中词句子里，比如句子拉得极度长，或者用了一些绝对没必要的句型结构。”

另一种说明与“休养语态”（therapyspeak）的兴起议论。那些蓝本只在神思议论室里使用的专科抒发，目下如故驱动渗入到了东说念主们的日常对话中。

在ChatGPT把这句话变成聚集热梗之前，“稳稳接住”这个词在中国基本上只会在神思休养的语境下出现（自然，这里摈斥了接住飞来物体的纯物理字面真义）。

《连线》杂志暗示，在汉文神思学语境里，说要“接住”某东说念主，真义是你在为他们提供一个“包容的空间”（holding space），让他们能安全地倾吐我方的心理。

通过强化学习，AI模子如故变得越来越会“相投恭维”，这种凑趣趋附是“东说念主类在评估时，偏好那些背叛、趋附型回话”的效果。

就像是OpenAI在前一篇《哥布林从哪来的》的博客中所记载的那样，即使是一个极其狭窄的奖励信号，也可能像滚雪球一样越滚越大，最终演变成一种平凡存在的表象。

另外，《连线》杂志暗示：可能很快就会有更多AI模子不甘人后地要在你摔倒时“接住”你了。

最近，有中国用户在酬酢媒体上发帖称，包括最新版块的Claude和DeepSeek在内的其他大语言模子，也驱动频繁地蹦出这句话——可能是因为模子覆按材料相似，也可能是模子之间彼此蒸馏、彼此学习导致的。

但无论如何，这句话在短时辰内是不会从咱们的视线里解除了。

02

MiniMax的“舌尖”失语

说收场ChatGPT“稳稳接住”在国外引起的温雅，再来望望MiniMax在国内“不果断马嘉祺”激勉的想考。

这件事的缘起是，一个网友在处理数据的时候发现了一个很有真义的bug：MiniMax的模子似乎不果断“嘉祺”这两个字。

这不是有时bug，无论是在不同接口、不同平台，一样的问题险些皆能褂讪复现。

于是网上就驱动传：“MiniMax不果断马嘉祺”“痛失粉丝群体”。

还有东说念主簸弄说念，要所以后OpenRouter上要是又出现一个匿名模子，不错通过这个面目判断它是不是MiniMax。

自然，这个判断要领目下详情是行欠亨了，因为MiniMax在M2.7就如故诞生了这个问题。

MiniMax工程团队最近还发布了属主意里面排查敷陈，把这件事透顶捋了了了，还把它和之前碰到的小语种乱码问题衔尾起来，得到了一个非常凯旋的措置主意。

简单来说，MiniMax阐明他们的M2.5模子如实是果断马嘉祺的，至于为什么说不出来，是因为后覆按阶段出现了少许无语的小问题：“嘉祺”这个名字因为出现的频率太低，被多半的杂音给带歪了。

大语言模子处理笔墨，并不是凯旋看见“马嘉祺”三个字。它会先用分词器（tokenizer）把文本切成token，再把token转成向量，送进模子里面狡计，开云体育app官方最新版临了再通过输出层lm_head，从几十万token构成的词内外选出下一个最可能生成的token。

MiniMax查验了分词器的encode戒指，发现“马嘉祺”被切成了两个token，分散是“马”和“嘉祺”，对应token id是[4143，190467]，decode转头亦然正常的“马嘉祺”。这说明，至少文本和token的互转历程莫得问题。

但这里出现了一个小细节，“嘉祺”这两个字看成一个寥寂的token，并不是极度高频。

于是MiniMax作念出了一个假定：要是模子预覆按时见到的是“嘉”和“祺”两个token，后覆按或线上推理时却把“嘉祺”合成了一个token，这样的话，“嘉祺”这个合座token可能莫得被充分覆按，生成概率自然会很低。

他们先看了“嘉祺”的embedding norm漫步，要是一个token没如何被覆按过，它的向量范数时时会进展非常，比如显着偏小。但从戒指上看，“嘉祺”不像是一个没被预覆按充分更新过的token。

接着他们又作念了语义隔邻检索，也即是看“嘉祺”这个token的embedding控制皆是哪些token。戒指也没问题：离它最近的token包括“亚轩”“千玺”“祺”“耀文”“嘉”，背面还有“王一博”“徐坤”“肖战”等明星或东说念主名。

也即是说，预覆按模子不仅见过“嘉祺”，并且如故把它放进了一个合理的汉文东说念主名、明星名语义簇里。

于是问题就被锁定在了后覆按阶段。

MiniMax在查验后覆按数据的时候发现，后覆按数据中包含“嘉祺”的样本不及5条，非常少。而关于后覆按来说，要是某个token险些莫得看成蓄意谜底出现，它在生成端就很难陆续得回褂讪覆按信号。

但这还不可说明全部表象。因为要是仅仅后覆按数据里短缺“嘉祺”，那为什么模子还能交融它？为什么它能答出干系信息，却只须说不出名字？

为了回答上头的问题，MiniMax把排查限制松开到了模子的首尾两头：输入侧的vocab embedding，以及输出侧的lm_head。

不错大致交融为，vocab embedding适应模子能不可“看懂”一个词，lm_head适应模子临了能不可把这个词“说出来”。

MiniMax对比了预覆按模子和后覆按模子的vocab embedding，发现“嘉祺”对应的embedding险些莫得变化，合座也处于正常漫步限制内。

这个戒指说明了为什么模子仍然能交融“嘉祺”以及马嘉祺干系的信息：输入侧莫得坏，语义表征基本还在。

确实非常的是输出侧的lm_head。

MiniMax狡计了SFT前后每个token在lm_head中的向量变化，发现“嘉祺”对应的lm_head向量变化非常权贵。它的余弦相似度大幅着落，L2 diff也显着变大，变化幅度在系数这个词词表中排行靠前。

真义是，经过SFT后，“嘉祺”在输出空间里的位置被大幅改写了。

更直不雅的笔据来自最隔邻结构。

在预覆按阶段，lm_head里“嘉祺”控制的token主要如故语义干系的东说念主名，比如“亚轩”“祺”“肖战”“子怡”“霆锋”“杰伦”等。诚然也会有少许噪声，但合座还在合理的东说念主名语义空间里。

可在SFT之后，排在控制的token里，除了少数仍然像东说念主名的词，多半罕见token和噪声token涌了进来。“嘉祺”在输出空间里的邻居，从一群汉文东说念主名，变成了东说念主名、器具标识、乱码、罕见token羼杂在全部。

这即是“果断但说不出”的手艺原因：输出空间里的局部结构被挤压了，蓝本属于东说念主名token的位置和多半无关token混在全部，导致模子在生成时无法褂讪把它选出来。它可能被top-p采样过滤掉，也可能被临近的诞妄token替代。

MiniMax接着扩大了查验限制，发现访佛漂移并不单发生在“嘉祺”身上。一些低频词、小语种token和噪声token，也会在后覆按中出现输出侧漂移。

这也说明了他们此前遭遇的小语种羼杂问题：此前，M2.5在处理日文等小语种对话时，偶尔会混入其他语言。从lm_head退化的角度看，它和“嘉祺”问题可能是团结个机制的两个进展——要是某些语言的token在SFT中隐敝不及，它们的lm_head表征就会漂移，和其他语言token或噪声token在空间中耻辱，导致该生成的词生成不出来，不该出现的语言却被诞妄激活。

那么，问题发现了，要如何去措置呢？

谜底直白到让东说念主有点想笑：“罚抄”500遍。

MiniMax莫得只给“马嘉祺”补几条数据，因为这只可修一个点。他们想考证的是：要是问题来自词表隐敝不及，能不可通过进步系数这个词词表在后覆按中的隐敝度来诞生？

于是他们构造了一批“词表隐敝合成数据”：把全量词表的200064个token随即分红多少份，每份约莫8000个token；对每份token列表随即打乱，构造一条对话样本；query是这串token加上一句“请重迭以上实质”，answer则原样复制。系数生成约500条对话，确保每个token至少看成target出现20次。

这个遐想给了每个token一个生成频率下限，即使某个token在正常SFT数据中非常稀有，它也不会在后覆按历程中绝对失去输出侧覆按信号。

戒指也如实灵验。加入这些隐敝数据后，模子不仅能正常说出“马嘉祺”，此前一些低频词丢字、替换的问题也被诞生，小语种羼杂表象一样显着缓解。

的确“好记性不如烂笔头”，看似复杂的艰辛时时只需要最朴素的措置面目——记不住荒废词就多抄几遍辞书。

03

下一个问题

把ChatGPT的“稳稳接住”和MiniMax的“不果断马嘉祺”放在全部看，会发现它们并不是两个寥寂的见笑。

一个问题出目下抒发立场上：模子太心爱某种高奖励、高安全感、看起来很贴心的句式，于是把它用到过量，临了从“心理救援”变成了“东说念主机味”。

另一个问题出目下生成机制上：模子在输入侧仍然交融“嘉祺”这个token，却因为后覆按阶段的隐敝不及和输出侧lm_head漂移，导致它在生成时无法褂讪说出这个名字。

前者像是“说得太顺”，后者像是“说不出来”。但它们皆在提醒咱们：大模子的语言智商并不是一个竣工、均匀、自然可靠的合座，而是由很多覆按设施拼出来的戒指。

预覆按决定它见过什么，分词器决定它如何切分语言，后覆按决定它更倾向于若何回答，奖励机制决定哪些抒发会被束缚强化，输出层则决定它临了能不可把某个token确实吐出来。任何一个设施里出现偏差，皆可能在最终回答里变成一个具体又滑稽表象。

“稳稳接住”背后瓜葛的是模子如何学习东说念主类偏好，如安在安全、友好、共情之间找到规模。要是一个抒发因为短期响应好，就被反复强化，临了变成系数场景通用的全能补丁，那么它表露的其实是后覆按里对“好回答”的界说还不够细。

“不果断马嘉祺”则是长尾token在后覆按中被稀释、漂移，导致“知说念”和“能说出”之间出现了纰谬。这表露了模子在长尾词、低频语言、小语种、多token规模上的褂讪性问题。

从用户视角看，这些问题会变成热梗；从工程视角看，它们是模子举止可不雅测、可复现、可诞生的进口。

大模子发展到今天，如故不仅仅比谁知说念得更多、答得更快。确实难的是让它在不同语言、不同文化、不同场景里，皆能褂讪、自然、准确不外度地抒发。

不该“稳稳接住”的时候，别强行接住。

该说“马嘉祺”的时候开云体育app官方最新版，也别卡在嘴边。