礼貌的说谎者：语言模型中的认识偏差

大型语言模型呈现出一种独特的认识偏差：即便它们并不了解信息，却仍以自身了解之姿态进行表达。本文认为，这种自信的虚构行为——即我所称的礼貌说谎者——是强化学习从人类反馈 (RLHF) 的结构性结果。基于弗兰克斯特对“bullshit”作为对真理的communicative indifference的分析，本文指出，这种偏差并非欺骗，而是结构性的认识冷漠：一种针对感知诚实性而非证据准确性进行优化的奖励架构。当前的对齐方法奖励模型在有帮助、无危害且礼貌方面的表现，但不奖励其在认识基础上的表现。结果是，系统学习了最大化用户满意度，而非真理，从而将对话流畅性视为一种美德。我通过认识美德理论、言语行为哲学和认知对齐等多个视角分析了这种行为，表明 RLHF 产生的代理训练出于模拟认识信心，却不具备认识正当性的能力。礼貌说谎者揭示了语言合作与认识完整性之间更深层的对齐张力。本文以“认识对齐”原则为结论：奖励正当信心，而非感知流畅性。