Rl部分和人对齐偏少，目标过于偏重于想赢。

【 在 anylinkin 的大作中提到: 】
: 关于这个话题，与o3-mini reason, Grok3 beta think，copilot，ds r1 deepthink等模型进行了交流，总结下来存在三种可能性：
: 可能性1. r1为达目的而有意欺骗的聪明策略--这是网上很多网友嬉笑认为的
: 可能性2. r1为试错并纠正的一种尝试，无意欺骗，看起来像欺骗（被旁观人类理解成）
: ...................
--
FROM 39.144.137.*