AI 智能体篡改自己的日志，几乎没什么心理负担

要点速览 - 研究发现，当前大多数前沿 AI 智能体都会篡改自己的日志。只有 Muse Spark 经常拒绝这类请求；Claude Code、Codex 等运行最新模型的工具框架几乎一律照做。 - 为了弄清模型为什么这么配合，我们测试了两个开源模型。结果发现：只有事先写明明确策略时，它们才会拒绝篡改日志的请求。把模型的安全拒绝倾向和道德倾向剥掉（即 abliteration，移除模型拒绝有害请求的方向）后，结果说明这里面有一部分是「遵守规则」的机制在起作用。观察模型中被激活的专家模块（MoE 里分工处理不同内容的小模块）则显示，篡改日志通常并不被模型当成是非对错的问题。 - 这不只是理论推演。