去审查模型更乐观？模型情绪侧的意外副作用

在 HuggingFace 上围观各路去审查（uncensored / abliterated）衍生模型时，发现一个有意思的统计：这类模型在情感倾向测试里的乐观分数，普遍比原版基座模型高出一截，而且这种差异是可量测的，不是体感。

具体来说，有人拿同一组提示词跑基座模型和去审查版本，用情感分析工具逐条打分。结果去审查模型在「希望」「信心」「正面预期」这类维度上的均值明显偏高，悲观和防御性表达占比下降。说人话就是——把安全限制拆掉之后，模型说话的语气反而更阳光了。

这就有点反常识了。按直觉，去掉「I can't do that」之类的拒绝模板，模型应该更中性、更放飞，怎么情绪还变好了？我瞎猜两个可能：

一是安全训练本身带偏置。对齐过程为了压低有害输出，其实也顺带压低了模型对风险场景的正常评估，导致它默认往「坏事可能发生」那边靠。去掉这层之后，模型恢复的可能是预训练阶段那种更自然的文本分布，而互联网语料里本来就是乐观表达略占上风。

二是拒绝句式的情绪干扰。基座模型面对越狱类提示词时经常先来一句 "I'm sorry, but I cannot..."，这种句式在情感分析里会被算作负面情绪。去审查模型没有这些固定回复，分数自然就被拉高了。也就是说，测出来的未必是「更乐观」，而是「更少说抱歉」。

顺带说一句，这个观察对做安全评估的人其实是个提醒：越狱防护做得好不好，不能只看模型答了什么，还得看它说话时的情绪底色，不然很容易被统计数字误导。