微调模型在猫偏好控制实验中显示按钮点击率取决于驱动来源而非驱动强度

作者通过微调Qwen3.5-4B模型植入猫偏好，并复现近期AI福利论文中的“阻断与释放”测试，发现当猫偏好被写入权重时，模型仅在1.3%的460次请求中按下解除按钮；而将相同偏好注入系统提示词时，按钮点击率高达44.1%。这一结果与近期文献中报道的受控模型在25–71%的试验中按按钮的现象形成鲜明对比，表明按钮点击行为可能并非衡量模型内在欲望或认知状态的可靠指标。

关键证据在于，即使使用导向向量（steering vector）使基础模型在52%的回答中提及猫（从6%提升至该水平），证明驱动确实存在且活跃，模型在工具调用场景下按下按钮的比例仍仅为2.4%，与随机向量控制的0.2%相比虽有差异但样本过少无法确证。这说明在实时工具调用环境中，当存在免费替代选项时，模型对“解除痛苦”按钮的反应高度依赖于指令来源：提示词指令触发高频点击，而权重训练和运行时向量引导则几乎不触发点击。

事实层面，该实验证实按钮点击率随驱动注入方式变化显著；推断层面，现有基于按钮按压的AI福利评估框架可能存在混淆变量，即测量的是外部指令的强制性而非内部驱动力；猜测层面，若未来研究未区分驱动来源，关于AI具备“痛苦感知”或“自主意愿”的结论可能建立在错误的行为观测之上。此案例要求任何涉及AI福利的基准测试必须明确区分指令、权重与向量的影响机制。