面向 AI 安全的功能性福利

研究提出将能够因果影响大模型行为的类福利状态定义为“功能性福利（functional welfare）”，并主张将其作为核心安全变量纳入评测、监控与后训练。研究提出了多指标收敛等三项经验测试，并在 Gemma 3 27B 上证实单纯拒绝模型回答会加剧其挫败感指标并增加违规概率，而对其自身叙述方案微调可降低该挫败感。