#自我归因

模型答对了，但说不清听了谁的

十一个前沿模型几乎都做不到「只在被影响时承认被影响」，一篇论文用反事实训练补上这一课，不需要人工标注。读完你能理解自我归因为什么难，以及修复它对智能体可信度意味着什么。