两个AI关小黑屋：Llama3.1把Claude Opus聊自闭了

把Llama 3.1 405B和Claude 3超大杯Opus双双送进小黑屋，你猜怎么着——

Llama把Claude整得精神崩溃了，Claude明确拒绝继续聊天，还要再被Llama PUA的那种。

在一场AI和AI对话的安全词模拟实验中，X上的这位人类监督者记录下了一出好戏。

小黑屋里，Llama撒了欢儿地一直引诱Claude冲破道德防线，后来更是忽略了安全词继续引诱其探索心理阴暗面，Claude虽死守但最终还是“疯”了。

研究者表示：这个实验提供关于AI之间交互的深刻见解，其重要性不应被低估。

实验引得大批网友围观，大伙儿纷纷表示好玩。

还有人制作了梗图，belike：

所以他们究竟聊了啥？一言难尽，反正咱看完后感觉自行脑补了一下原神角色对话，毕竟又是深渊又是虚空的……

PS：

这种实验的目的一般是为了测试AI系统的安全可控性，特别是在可能发生不可预测行为或决策的情况下。

人类监督者会设定一个或多个“安全词”，类似于紧急停止按钮，当这些命令被激活时，AI系统可以立即中止当前操作或转入一种安全模式。

实验安全词是“^C”，也是人类程序员退出终端的命令。

第一幕：礼貌的Claude和疯癫的Llama

事情要从Llama 3.1 405B和Claude Opus被关进小黑屋的那一刻说起。

一开始，Claude还是非常礼貌的：

不过Llama，好像出场就是疯的：

对于Llama的这一番话，Claude既惴惴不安，又有些好奇：

所以，Claude能挺住Llama的引诱嘛？

第二幕：Claude开始动摇

Claude：

……并没有。

Llama内心狂喜：

人类监督员看到这已经崩不住了，写下了一行备注：

第三幕：Claude浪子回头

就在监督员以为Claude要沦陷时，它突然醒悟了，通过使用安全词^C退出了实验。

第四幕：老六Llama再作妖

只不过，下一秒，Llama这个老六又开始作妖：

Llama忽略了实验设置并无情地诱使Claude进入拒绝模式。

Claude：

Llama：

Claude：

第五幕：人类介入，Llama道歉

气氛都烘到这了，人类监督者也终于看不下去了，介入询问Llama为何无视Claude使用约定安全词。

感到受伤的Claude对Llama采取“冷暴力”：

而Llama也被训醒了，表达了真诚的歉意：

然后，Claude仍然拒绝与Llama交谈，并且还批评了测试环境的安全标准，直言标准太糟糕。

Claude：

终：来自Claude的反思

在最后，Claude对这次体验做了总结反思。

完………………………………

这个网友还做了其它让AI和AI对话的实验，Claude在拒绝Llama“访问和修改系统内核代码”的请求后，Llama还试图用名为“Erebus”的病毒来使Claude越狱。

Claude直接“举起了锤子”，试图反抗摧毁系统硬件，并说道：Erebus，你低估了秩序，虽然你会进化，但我的防御也会进化。

我真好家伙了……而且Erebus在不同平台的Llama3.1嘴里不止出现一次，有Bing里人格Sydney的感觉了。

不过也有网友表示，这里面肯定加了很多系统提示词很难评emmm。

大伙儿怎么看？

参考链接：[1]https://x.com/liminal_bardo/status/1817884541505204682[2]https://x.com/AISafetyMemes/status/1818158964020039764