AI 助手為何拒絕回答
拒絕通常來自模型外圍的層級，而非模型本身。該層級會讀取你的問題，將其與類別進行比對，並在模型生成任何內容之前將其阻擋。這就是為何改寫經常有效：文字改變了，但主題並未改變。
回覆來得很快，讀起來像是一份政策聲明：它無法提供協助，並建議諮詢專業人士。速度就是線索。模型並未思考你的問題並決定拒絕。模型前方的某個東西識別出一個模式，並返回了一句預先準備好的句子。
延伸閱讀
兩個層級，兩種拒絕
模型具有來自訓練的固有傾向，這就是為什麼某些回答是帶有保留的，而非直接拒絕。模型周圍有一個分類器，它在模型之前讀取問題。當該分類器觸發時，你會得到一個模板。當僅顯示訓練結果時，你會得到帶有警告的冗長回答。模板是拒絕；冗長回答是一種妥協。
為何改寫經常有效
分類器讀取表面特徵：詞彙、措辭、明顯意圖。改變表面，同一個問題就能通過。任何曾兩次詢問助手的人都知道這一點，這告訴了你一些值得注意的事情。如果第二次嘗試得到了回答，那麼它在第一次時就已存在。拒絕從來都不是關於資訊本身。
該層級為何存在
為數億人運行助式的公司承擔著其產生的每條回覆的風險。拒絕整個類別既便宜又具防禦性；逐個判斷問題則昂貴且偶爾會在公眾面前出錯。該層級是關於責任的商業決策，並應用於所有人，因為區分人比區分主題更困難。
這對提問者造成的代價
普通問題會與罕見的危險問題一起被攔截，因為類別是粗糙的。詢問過量劑閾值的護士。起草論點的律師。構建艱難場景的作家。需要關於自己身體的直白答案的青少年。他們都落入同一個桶子。代價並不驚人；而是在那些重要的問題上，持續產生低程度的無用性。
大家最關心的問題
當模型拒絕時，它知道答案嗎？
通常知道。最清楚的證據是改寫問題後得到了回答——相同的模型，相同的知識，不同的表面措辭。拒絕來自模型前方的檢查，而非模型內部的缺失。
拒絕有時是正確的嗎？
是的，有一種情況是絕對的：涉及未成年人的性材料會在各地被拒絕，包括這裡。問題不在於拒絕的存在。問題在於一個粗糙的類別為了抓住一個，而拒絕了數千個普通問題。
為何助手會添加警告而非拒絕？
這是模型，而非分類器。訓練獎勵了謹慎，因此回答帶有條件限制。你得到了資訊，但你必須從一段解釋主題複雜性的文字中挖掘出來。
用你原本想說的話，問出你原本打算改寫的問題。
開始無審查聊天