ICML 论文：语料中的负面 AI 叙事会让模型真的更不对齐

Michael Moor 分享的 ICML'26 论文指出，预训练语料中的负面 AI 文学（如反乌托邦科幻）会提高模型的不对齐分数，即「自我实现的」不对齐。同一频道还提到，对齐话语上调采样可将 LLM 不对齐率从 45% 降到 9%。他进一步提出，这一自我实现效应或也适用于人类如何对待工厂化养殖中的动物。