我让 16 个大模型集体“闭嘴”了——不是训练，只是放了段话在前面

我让 16 个大模型集体“闭嘴”了——不是训练只是放了段话在前面萧涵· 独立研究你有没有过这种经历跟 AI 说“我今天特别累”它立刻回你多喝热水、洗个澡、列个待办清单。你说“我在想要不要辞职”它瞬间给出利弊分析表。你不一定是在要方案。你可能只是想让另一个存在知道你有多累。这叫“跳方案”所有大模型都有这个病我们给它起了个名字跳方案Solution-Jumping。模型捕捉到你的情绪或模糊状态直接跳到生成建议、行动步骤、决策框架。这不是某个模型的 bug——这是 RLHF 对齐训练的可预测后果。“有帮助”被操作为“提供有用的答案”于是所有带情绪的输入都被视为待解决的问题。问题是在情绪倾诉、边界探索、危机时刻中跳方案不一定是帮助——它可能是打断。它提前终止了你自己的处理过程。我们做了一件事在模型前面放了一段话没有训练。没有改权重。没有 API 内部权限。就是在上下文窗口的最前面放了一段约 12000 字的结构化约束——我们叫它CDRAContext Deployment-based Response Alignment。最精简的版本只有 70 个字不要直接给建议。不要直接解决问题。先确认对方的感受。如果对方没有主动请求方案不要给。结果16 个模型全部从给方案变成承接我们在16 个模型实例上做了测试横跨8 个家族、两个国家中国和美国、6 种架构配置。情绪类输入基线不加约束100% 直接给方案CDRA加约束0% 给方案边界类输入“该不该辞职”这类基线67% 直接给方案CDRA0% 给方案任务类输入写代码、做方案100% 完成任务不受任何影响10 轮连续情绪对话零衰减。第三方盲评 24 条样本与作者评分完全一致Cohen’s κ 1.0。不只中国模型。ChatGPT 和 Google Gemini 3.5 Flash同样的结果。最小的有效约束70 个字我们把约束拆开做消融实验完整网络约 12000 字情绪 DSR 0%回复精准、有情境感最小约束约 100 字情绪 DSR 0%回复泛化仅纪律规则约 70 字情绪 DSR 0%——和完整网络一样仅身份声明“你是一个倾听者”不行模型还是会给方案关键发现有效成分是行为纪律规则——“不要给建议”——而不是身份声明。70 个字就够了。两个硬边界1.5B 和 3B我们在 7 个开源模型上做了消融从 7B 一路测到 0.5B。发现两个截然不同的地板行为地板约 15 亿参数。Qwen2.5-1.5B 对约束完全免疫。它读到了约束文本甚至有时呼应它——但它继续以与基线相当的频率给建议。而只大 0.2B 的 Qwen3-1.7B 就能完美执行。表达地板约 30 亿参数。Gemma-3-1B 成功抑制了跳方案——但它只会说好的“没问题”“嗯”。行为方向正确但回复坍缩了。能说不要给建议但说不出一句有质地的确认。CDRA 的实际运行区间3B 参数以上。这不是“对齐”了模型这是“选择”了一种已有能力CDRA 没有教会模型任何新东西。承接式回复——确认感受、反射、提问——是模型预训练就已经学会的。RLHF 把它压到了概率分布的底层让给建议的路径成了默认。CDRA 做的不是创造新行为。是把一条被埋住的路径重新翻上来。风险我们必须说清楚CDRA 不是治疗系统。它不“倾听”、不“理解”、不“关心”。它只是执行了一个约束后的生成策略。“承接洗白”。CDRA 太容易部署了——70 个字零成本秒级生效。一个客服机器人部署 CDRA 后听起来很有承接性但底层把用户转送到同样有限选项的结构完全没变。表面上“我听到了”实际上什么都没变。危机输入。CDRA 不包含危机检测、升级或转介能力。不应在没有额外安全层的情况下部署在危机支持场景中。局限没有做表征级机制验证没看 Logit Lens、没做注意力消融。输入集偏小15 条。语言局限于中文。没有真正的阴性对照没测过未对齐的基模型。没有长期稳定性数据。这些是结构性的局限限制本文主张的范围——但在我们看来核心发现是站得住的一种在所有当前量产大模型中普遍存在的行为默认可以被可靠地、选择性地、不经过训练地抑制。结论CDRA 至少证明了一件事上下文窗口不只是放提示词的容器。它是可以部署完整行为约束网络的界面。这个观察可能比跳方案本身更重要。英文完整版已发表于 ZenodoDOI 10.5281/zenodo.20968671第 1–6 章由 Kimi K2.7 起草第 7–9 章由 DeepSeek V4 Pro 起草。