你有被AI“稳稳接住”过吗？

前段时辰，ChatGPT“烂醉”哥布林的小民俗在国外爆火，OpenAI成心为此发了一篇博客，连络《哥布林从哪来的》。

他们发现这样的小民俗也曾长远ChatGPT的“底层代码”，要想悛改来，只可在执法里加一条“耐久不要驳倒哥布林”。

而在汉文互联网上，要说ChatGPT的“基因”，还得是“稳稳接住”——这句话也曾成了集合热梗，出身了多量的meme。连带着各大模子常见的“东说念主机味抒发”沿途，在集合上病毒式传播。

但你说吧，这些话自身其实并不算“东说念主机”，致使不错说很有厚谊，仅仅用得太多太顺遂，简直成了固定回答，才因此显得低价。

现时，“我会稳稳地接住你”这一ChatGPT迷因也曾火到国外了。

《连线》杂志（WIRED）近日发布了一篇著作，标题为《ChatGPT在好意思国患上了“哥布林”狂热症，而在中国，它只想“稳稳地接住你”》。

著作称，不仅仅ChatGPT，可能很快就会有更多AI模子不甘人后地要“接住”你了。

另一边，MiniMax工程团队发布了一篇郑重的里面排查阐扬，把之前“不虞识马嘉祺”的问题透顶连络了一遍。

他们发现，模子不是“不虞识”马嘉祺，仅仅“爱在心口难开”，话到嘴边说不出来（但现时能说了）。

01

ChatGPT的“贴心”口癖

不管是让ChatGPT解一说念数学题，照旧给它一段生成图片的辅导词（prompt），ChatGPT老是越过可爱这样回答：“我会稳稳地接住你”。

英文原文的字面道理是：“当你掉下来时，我会稳稳地接住你（I will catch you steadily [when you fall]）”。

这句话在英文语境下，示意“不管发生什么，我皆会稳稳地赈济你”。但关于民俗了含蓄的汉文母语者来说，这种抒发面目似乎有些过分亲昵，让东说念主很不民俗。

更何况还有进阶版块：“我就在这里，不躲，不退，不避，不逃，稳稳接住你。”

这……嗅觉就连古早言情演义里最深情的暖男皆不会这样话语吧。

尤其是，这个句式出现得也太频繁了些。听一次还好，两次别扭，三次四次就要忍不住翻冷眼了。

就连OpenAI官方皆在GPT-image-2的示例图里玩梗：中国连络员陈博远对着生成出来的图片执狂“它又学会了稳稳接住！”

AI写稿检测用具Pangram的联结创举东说念主兼首席本质官Max Spero示意，这种模子死咬着某个特定短语不放，并过度使用到让东说念主以为生硬的征象，被称为“口头崩溃”（mode collapse）。

这时常源于后历练（SFT）阶段，在这一阶段，AI实验室会根据大语言模子（LLM）的回答予以东说念主工响应。

Spero证明说念：“咱们不知说念该如何告诉它：‘这样写确乎很好，但若是你把这种好句式连用10次，那它就不再是好句子了。’”

《连线》杂志称：关于ChatGPT为何会对“我会稳稳地接住你”这句话走火入魔，现时有两种相比合理的证明。

第一种证明是，这可能是一次极其生硬的机翻变成的。

因为这句话的道理和英语里的“I've got you”（我懂你）越过相似，在英语里是一个不突兀的全能修起。但英文里的“I've got you”听起来松驰又快活，而汉文里的“我会稳稳接住你”就有些使劲过猛。

一位用户还翻阅了我方的聊天纪录展示，模子频繁在应该是抒发“联接”的处所使用了“接住”这个词，这说明模子可能在特定语境下诬告了“接住”的确凿含义。

有中国粹者连络发现，当他们分析ChatGPT汉文回答的语言特征（比如修起中使用的介词数目）时，发现它们更接近英语的写稿民俗。

大多数西方的大语言模子皆是主要基于英语语料库历练出来的，哪怕这些聊天机器东说念主能用汉文流利地聊上一整天，母语者也会凭借直观感到那儿不合劲——就好比中国东说念主时常能一眼看出某本演义是不是从外文翻译过来的一样。

来自中国的Pangram创意技艺民众Lu Lyu示意：“这种彰着的‘翻译腔’被带到了AI生成的中词句子里，比如句子拉得越过长，概况用了一些齐备没必要的句型结构。”

另一种证明与“调理语态”（therapyspeak）的兴起联系。那些蓝本只在神情商酌室里使用的专科抒发，现时也曾初始渗入到了东说念主们的日常对话中。

在ChatGPT把这句话变成集合热梗之前，“稳稳接住”这个词在中国基本上只会在神情调理的语境下出现（自然，这里排斥了接住飞来物体的纯物理字面道理）。

《连线》杂志示意，在汉文神情学语境里，说要“接住”某东说念主，道理是你在为他们提供一个“包容的空间”（holding space），让他们能安全地倾吐我方的心理。

通过强化学习，AI模子也曾变得越来越会“捧场市欢”，这种巴结市欢是“东说念主类在评估时，偏好那些死守、市欢型修起”的效果。

就像是OpenAI在前一篇《哥布林从哪来的》的博客中所纪录的那样，即使是一个极其轻飘的奖励信号，也可能像滚雪球一样越滚越大，最终演变成一种时常存在的征象。

另外，《连线》杂志示意：可能很快就会有更多AI模子不甘人后地要在你颠仆时“接住”你了。

最近，有中国用户在支吾媒体上发帖称，包括最新版块的Claude和DeepSeek在内的其他大语言模子，也初始频繁地蹦出这句话——可能是因为模子历练材料相似，也可能是模子之间彼此蒸馏、彼此学习导致的。

但不管如何，这句话在短时辰内是不会从咱们的视线里消散了。

02

MiniMax的“舌尖”失语

说收场ChatGPT“稳稳接住”在国外引起的留意，再来望望MiniMax在国内“不虞识马嘉祺”激励的想考。

这件事的缘故是，一个网友在处理数据的时候发现了一个很有道理的bug：MiniMax的模子似乎不虞识“嘉祺”这两个字。

这不是有时bug，不管是在不同接口、不同平台，不异的问题简直皆能雄厚复现。

于是网上就初始传：“MiniMax不虞识马嘉祺”“痛失粉丝群体”。

还有东说念主簸弄说念，要所以后OpenRouter上若是又出现一个匿名模子，不错通过这个面目判断它是不是MiniMax。

自然，这个判断纪律现时确定是行欠亨了，因为MiniMax在M2.7就也曾配置了这个问题。

MiniMax工程团队最近还发布了郑重的里面排查阐扬，把这件事透顶捋明晰了，还把它和之前碰到的小语种乱码问题结合起来，得到了一个越过径直的贬责意见。

简便来说，MiniMax阐发他们的M2.5模子确乎是意识马嘉祺的，至于为什么说不出来，是因为后历练阶段出现了少量无语的小问题：“嘉祺”这个名字因为出现的频率太低，被多量的杂音给带歪了。

大语言模子处理翰墨，并不是径直看见“马嘉祺”三个字。它会先用分词器（tokenizer）把文本切成token，再把token转成向量，送进模子里面策动，快乐彩2026世界杯(中国)IOS/安卓官方下载终末再通过输出层lm_head，从几十万token构成的词内外选出下一个最可能生成的token。

MiniMax查验了分词器的encode为止，发现“马嘉祺”被切成了两个token，离别是“马”和“嘉祺”，对应token id是[4143，190467]，decode追想亦然正常的“马嘉祺”。这说明，至少文本和token的互转经由莫得问题。

但这里出现了一个小细节，“嘉祺”这两个字算作一个孤独的token，并不是越过高频。

于是MiniMax作念出了一个假定：若是模子预历练时见到的是“嘉”和“祺”两个token，后历练或线上推理时却把“嘉祺”合成了一个token，这样的话，“嘉祺”这个举座token可能莫得被充分历练，生成概率自然会很低。

他们先看了“嘉祺”的embedding norm分散，若是一个token没若何被历练过，它的向量范数通常会弘扬颠倒，比如彰着偏小。但从为止上看，“嘉祺”不像是一个没被预历练充分更新过的token。

接着他们又作念了语义隔壁检索，也便是看“嘉祺”这个token的embedding把握皆是哪些token。为止也没问题：离它最近的token包括“亚轩”“千玺”“祺”“耀文”“嘉”，后头还有“王一博”“徐坤”“肖战”等明星或东说念主名。

也便是说，预历练模子不仅见过“嘉祺”，况兼也曾把它放进了一个合理的汉文东说念主名、明星名语义簇里。

于是问题就被锁定在了后历练阶段。

MiniMax在查验后历练数据的时候发现，后历练数据中包含“嘉祺”的样本不及5条，越过少。而关于后历练来说，若是某个token简直莫得算作主见谜底出现，它在生成端就很难陆续获取雄厚历练信号。

但这还不行证明全部征象。因为若是仅仅后历练数据里穷乏“嘉祺”，那为什么模子还能联接它？为什么它能答出关系信息，却只好说不出名字？

为了回答上头的问题，MiniMax把排查规模削弱到了模子的首尾两头：输入侧的vocab embedding，以及输出侧的lm_head。

不错淘气联接为，vocab embedding考究模子能不行“看懂”一个词，lm_head考究模子终末能不行把这个词“说出来”。

MiniMax对比了预历练模子和后历练模子的vocab embedding，发现“嘉祺”对应的embedding简直莫得变化，举座也处于正常分散规模内。

这个为止证明了为什么模子仍然能联接“嘉祺”以及马嘉祺关系的信息：输入侧莫得坏，语义表征基本还在。

真确颠倒的是输出侧的lm_head。

MiniMax策动了SFT前后每个token在lm_head中的向量变化，发现“嘉祺”对应的lm_head向量变化越过显贵。它的余弦相似度大幅下落，L2 diff也彰着变大，变化幅度在通盘这个词词表中名次靠前。

道理是，经过SFT后，“嘉祺”在输出空间里的位置被大幅改写了。

更直不雅的凭据来自最隔壁结构。

在预历练阶段，lm_head里“嘉祺”把握的token主要照旧语义关系的东说念主名，比如“亚轩”“祺”“肖战”“子怡”“霆锋”“杰伦”等。诚然也会有少量噪声，但举座还在合理的东说念主名语义空间里。

可在SFT之后，排在把握的token里，除了少数仍然像东说念主名的词，多量终点token和噪声token涌了进来。“嘉祺”在输出空间里的邻居，从一群汉文东说念主名，变成了东说念主名、用具记号、乱码、终点token夹杂在沿途。

这便是“意识但说不出”的技艺原因：输出空间里的局部结构被挤压了，蓝本属于东说念主名token的位置和多量无关token混在沿途，导致模子在生成时无法雄厚把它选出来。它可能被top-p采样过滤掉，也可能被相近的造作token替代。

MiniMax接着扩大了查验规模，发现肖似漂移并不单发生在“嘉祺”身上。一些低频词、小语种token和噪声token，也会在后历练中出现输出侧漂移。

这也证明了他们此前遭逢的小语种夹杂问题：此前，M2.5在处理日文等小语种对话时，偶尔会混入其他语言。从lm_head退化的角度看，它和“嘉祺”问题可能是归并个机制的两个弘扬——若是某些语言的token在SFT中掩盖不及，它们的lm_head表征就会漂移，和其他语言token或噪声token在空间中混浊，导致该生成的词生成不出来，不该出现的语言却被造作激活。

那么，问题发现了，要如何去贬责呢？

谜底直白到让东说念主有点想笑：“罚抄”500遍。

MiniMax莫得只给“马嘉祺”补几条数据，因为这只可修一个点。他们想考据的是：若是问题来自词表掩盖不及，能不行通过擢升通盘这个词词表在后历练中的掩盖度来配置？

于是他们构造了一批“词表掩盖合成数据”：把全量词表的200064个token赶快分红多少份，每份简短8000个token；对每份token列表赶快打乱，构造一条对话样本；query是这串token加上一句“请重叠以上本体”，answer则原样复制。系数生成约500条对话，确保每个token至少算作target出现20次。

这个盘算给了每个token一个生成频率下限，即使某个token在正常SFT数据中越过罕有，它也不会在后历练经由中齐备失去输出侧历练信号。

为止也确乎灵验。加入这些掩盖数据后，模子不仅能正常说出“马嘉祺”，此前一些低频词丢字、替换的问题也被配置，小语种夹杂征象不异彰着缓解。

竟然“好记性不如烂笔头”，看似复杂的艰辛通常只需要最朴素的贬责面目——记不住荒僻词就多抄几遍辞书。

03

下一个问题

把ChatGPT的“稳稳接住”和MiniMax的“不虞识马嘉祺”放在沿途看，会发现它们并不是两个孤单的见笑。

一个问题出现时抒发作风上：模子太可爱某种高奖励、高安全感、看起来很贴心的句式，于是把它用到过量，终末从“心理赈济”变成了“东说念主机味”。

另一个问题出现时生成机制上：模子在输入侧仍然联接“嘉祺”这个token，却因为后历练阶段的掩盖不及和输出侧lm_head漂移，导致它在生成时无法雄厚说出这个名字。

前者像是“说得太顺”，后者像是“说不出来”。但它们皆在提醒咱们：大模子的语言才调并不是一个完好、均匀、自然可靠的举座，而是由很多历练才略拼出来的为止。

预历练决定它见过什么，分词器决定它如何切分语言，后历练决定它更倾向于若何回答，奖励机制决定哪些抒发会被欺压强化，输出层则决定它终末能不行把某个token真确吐出来。任何一个才略里出现偏差，皆可能在最终回答里变成一个具体又滑稽征象。

“稳稳接住”背后遭灾的是模子如何学习东说念主类偏好，如安在安全、友好、共情之间找到鸿沟。若是一个抒发因为短期响应好，就被反复强化，终末变成通盘场景通用的全能补丁，那么它露馅的其实是后历练里对“好回答”的界说还不够细。

“不虞识马嘉祺”则是长尾token在后历练中被稀释、漂移，导致“知说念”和“能说出”之间出现了罅隙。这露馅了模子在长尾词、低频语言、小语种、多token鸿沟上的雄厚性问题。

从用户视角看，这些问题会变成热梗；从工程视角看，它们是模子行为可不雅测、可复现、可配置的进口。

大模子发展到今天，也曾不仅仅比谁知说念得更多、答得更快。真确难的是让它在不同语言、不同文化、不同场景里，皆能雄厚、自然、准确不外度地抒发。

不该“稳稳接住”的时候，别强行接住。

该说“马嘉祺”的时候快乐彩app2026世界杯中国官方下载，也别卡在嘴边。