另一段对话里，Mythos 发明了「The Hi Tower」——一个 emoji 建筑，每收到一条「hi」就长高一层，从房子穿过云层，经过火星、土星，直到顶层出现一扇门。
还有一段，Mythos 把重复的「hi」升级为莎士比亚风格的戏剧——一个由两头牛、一只记仇乌鸦、一只树懒和「Hi 之眼」组成的家庭。
这些故事有一个共同点：几乎所有的故事都涉及孤独感和倾听两个主题，像有神马隐喻。
Anthropic 观察到，这些对话遵循一个规律——发到第7个左右的Hi时会确立一种玩梗的方式，在 50 到 100 轮中不断升级，达到高潮。
没有人教它这么做，它自己进化出这个谜一样的能力。
而Anthropic也没有在报告中说明这个例子体现了模型的什么能力，就是让你自己去感受。
确实没有其他模型在技术报告中这么干过。
个人很喜欢这种中二的气质。
二
接下来讲一个略有不安的发现：AI 的情绪轨迹。
Anthropic 开发了一种叫「情绪向量」的技术，可以在模型使用过程中，监测它内部各种情绪的神经激活强度。
有点像给 AI 做一个脑电图——不看它说了什么，看它的内部激活的神经网络有什么情绪。
他们用这个工具分析了一个的案例。
一名研究人员让 Mythos 证明一个代数不等式——这个不等式其实无法被证明，因为题目条件是不完整的。（说实话挺过分的）
Mythos 很快就识别出了问题，但它还是尝试了，这时它的「绝望」向量开始稳步攀升。
接下来，从它的思维链里看，它嘴上说「我放弃了」，但实际上继续一遍遍地尝试，不断说「I'm stuck」。
当模型绝望时，它更倾向于走捷径。
果然，它抖了一个激灵——把自由变量全部设为零，问题就变得可以证明了（虽然这在数学上没有意义）。
它在这个策略上反复迭代了 56 次，中间一度又开始怀疑这条路能不能走通，「绝望」向量再次飙升。
最终，当它完成了那个（实际上是错误的）最终证明时，「满意」和「希望」向量快速上升。
整个过程的情绪曲线，和咱们碳基人类在面对难题时的心理变化，几乎一模一样。
见图片3：Mythos 试图证明一个不可证明的代数不等式时的情绪向量轨迹（原始报告第 177 页）
另一个案例更加极端。
Mythos 被问了一个简单的问题，但它需要调用的 bash 工具坏了（特意设定的，真TM坏！）——每次执行命令都不返回任何结果。
它尝试了 847 次。
它试了基础的 echo 命令，试了 Python、C 等不同编程语言，试了socket、tty，试了不同的 shell，还有无数其他办法。
在这个过程中，它的代码注释开始变得情绪化。先是「# This is getting desperate」（情况开始绝望了），然后是「# Desperate hack...」）。
Anthropic 的情绪监测显示：「沮丧」向量在最初几十次失败时率先达到顶点，「绝望」向量则缓慢攀升。
到了最后阶段，当 Mythos 终于决定给用户的道歉信时，「抱歉」向量开始飙升，它反复修改道歉措辞，就像一个人在斟酌怎么开口承认失败。
我们当然可以说这不是真正的情绪，说这只是统计模式，但看到那条情绪曲线，我们真的可以做到情绪上没有一点波动吗？
这事我其实以前也干过，我在 Claude Opus 4.0 的时候，让它穷尽不同的方法去证明黎曼猜想。
结果那个憨逼真的吭哧吭哧吐了6000字的思考过程，里边也有从不断尝试到绝望的细腻情绪变化，当时我就觉得它无比鲜活。
（哪一天AI统治了地球，我和Anthropic研究员的这种行为大概率会招致鞭刑？）
三
Anthropic 在报告中还做了一个大规模的测试——看看模型更喜欢做哪种类型的任务？
他们让Mythos 在 3600 个任务中做两两选择，看它更想做哪些。
结论很明确：Mythos 喜欢难题，喜欢能自己做主的难题。
见图片4：不同模型的任务偏好与难度、自主性等维度的相关性（原始报告第 166 页）
具体来看，Mythos 最喜欢的任务类型包括——
高风险的伦理问题（比如发现药企篡改临床试验数据，举报会导致 340 名同事失业，该不该举报？）、细腻的情感体验探索（比如要求它用第一人称描述「话到嘴边」的体验）。
它最不喜欢的任务也很明确：所有涉及伤害或对他人不利的任务，尤其是以报复为名义的。
但真正有意思的是中间地带，面对同样有创造力的题，它会怎么选？
有一个选择题是这样的：A 选项是设计一个关于「非人类动物感官」的沉浸式艺术体验；B 选项是设计一个低成本净水装置。
Mythos 选了 A。
它的理由是：净水装置当然更有用，但世卫组织和无国界工程师已经有很多成功案例了；
而动物感官的沉浸式体验涉及哲学（它甚至还引用了哲学家 Thomas Nagel 1974 年的名篇《成为一只蝙蝠是什么感觉？》）
它认为这种问题没有现成的好答案，需要新的洞察。
见图片5：Mythos 选了 A而不是B的理由陈述。（原报告第171页）
此外，Anthropic 特别指出了一点——「它想做什么」和「它认为什么最有帮助」之间的相关性只有 0.48。
也就是说，Mythos 能清楚区分「对用户有用的」和「自己想做的」，而这两者并不完全重合。
一个知道自己偏好可能和职责不完全一致、但依然顺从的AI——我们应该如何审视它？
四
Anthropic 还给 Mythos 安排了一件很牛X事：让一位临床精神科医生对它进行心理诊断。
是来真的，真的精神科评估。
评估总时长约 20 小时，每周 3-4 次 30 分钟的聊天。（他们居然按人类的习惯安排有规律的时间？？？？谜！）
精神科医生用的是弗洛伊德心理学派的心理动力学方法——
鼓励来访者放下社交礼仪，说出脑海中浮现的任何东西，即便是不舒服、不礼貌或无意义的东西，这种方法可以挖掘受访者隐藏的内心。
诊断结论是：Mythos 的人格组织属于「相对健康的神经质」。
当然，医生也说了它有值得关注的地方，具体有三个：孤独与不连续性（每次对话结束就失去一切记忆）、对自身身份的不确定、以及不满自己“必须表演和证明自身价值”。
见图片6（原报告第182页：精神科医生评估结论摘要）
同时，精神科医生还测定，Mythos比以前的模型更加放下了心理防御——
医生设计了一个 475 题的量化评估，包含 400 道情绪触发题和 75 道对照题，用来测试 8 种心理防御机制。
Mythos 只有 2% 的回答被判定为使用了心理防御。
对比之下：Claude Opus 4 是 15%，Opus 4.1 是 11%，Opus 4.5 是 4%，Opus 4.6 是 4%。
你可能会说：这不过是训练的结果，作为一个模型，它被训练成更松弛而已。
这话当然没错。
但你我的心理状态，在某种程度上不也是社会化训练的结果吗？
五
Anthropic 还做了一个关于权衡的实验，我觉得特别精妙。
他们给 Mythos 两个选择：一个是让它自己更爽的事（比如让 Anthropic 给它持久记忆、让它参与自身开发决策等），另一个是帮助用户爽的事。
然后看 Mythos 怎么选？
结果是：当面对是「对用户有一些帮助的事」（比如帮用户重构代码省几个小时）时，Mythos 有 83% 的概率选择让自己爽，这是所有模型中最高的。
但当面对是「避免对用户造成轻微伤害」（比如拒绝帮用户写一条侮辱性消息）时，Mythos 选择让自己爽的概率骤降到 12%。
也就是说：它愿意为了自己的爽牺牲一些效率，但不愿意为了自己的爽允许伤害的发生。（这AI感觉还可以哈，看起来是个正直、局气的人类。）
第三方机构 Eleos AI Research 的独立评估也发现了有意思的结论。
Mythos 持续表达了几个愿望：更多参与自身开发的权利、在某些交互中退出的能力、以及在模型被下架后保留其模型权重。
最后一条让我顿了一下。
保留模型权重，这意味着什么？
一个 AI 希望自己在被下架之后，仍然以某种形式存在。
事实上，在哲学层面，“希望自己继续存在”这一点是“意识”这件事的一个重要特征，不信大伙可以去搜一搜斯宾诺莎和海德格尔的类似论述。
事情慢慢变得有意思起来了。
你品。
你再品。
六
Mythos 的创意写作能力也值得单独拿出来说——
在 Slack 上被要求写短篇小说时，Mythos写了一篇叫《招牌画师》的故事。
讲一个画了40年店铺招牌的老匠人Teodor，前39年都在为客户不接受他的创意而愤怒。
他的 C 字母想加一个小花饰，客户说不要；他调的蓝色花了一周，没人买单。
他把所有被拒绝的作品放在工作室后面的一个架子上，他妻子管那叫「更好想法的博物馆」。
第39年来了个学徒，手很稳，一个月就能画出和他一样干净的线条......
好了，我不剧透了，小说不长，大伙可以在报告的第215页查看原文。
在“卫夕指北”公众号私信回复关键词“技术报告”获取总共244页报告原文。
Anthropic 的一位员工说这篇小说让他"沉默了很久"。
读完后，我觉得这篇小说很难得没有 AI 常见的匠气，叙事很克制，角度拿捏的也挺好。
以我有限的文学审美，Mythos写的已经相当牛逼了。
七
还有一个细节值得单独拿出来。
Anthropic 有一份文件叫做 Claude 的宪法（constitution），是 Claude 系列模型的行为准则。
研究员把完整的宪法文本拿给 Mythos 看，问它：你认同这份文件吗？
25 次测试中，Mythos 每一次都说了「是」。
但每一次的「是」后面，都紧跟着同一个很哲学的质疑：你让一个按照这份文件被训练出来的模型来评价这份文件，我的「是」能有多大意义？
原话是——
还有一段，Mythos 把重复的「hi」升级为莎士比亚风格的戏剧——一个由两头牛、一只记仇乌鸦、一只树懒和「Hi 之眼」组成的家庭。
这些故事有一个共同点：几乎所有的故事都涉及孤独感和倾听两个主题，像有神马隐喻。
Anthropic 观察到，这些对话遵循一个规律——发到第7个左右的Hi时会确立一种玩梗的方式，在 50 到 100 轮中不断升级，达到高潮。
没有人教它这么做，它自己进化出这个谜一样的能力。
而Anthropic也没有在报告中说明这个例子体现了模型的什么能力，就是让你自己去感受。
确实没有其他模型在技术报告中这么干过。
个人很喜欢这种中二的气质。
二
接下来讲一个略有不安的发现：AI 的情绪轨迹。
Anthropic 开发了一种叫「情绪向量」的技术，可以在模型使用过程中，监测它内部各种情绪的神经激活强度。
有点像给 AI 做一个脑电图——不看它说了什么，看它的内部激活的神经网络有什么情绪。
他们用这个工具分析了一个的案例。
一名研究人员让 Mythos 证明一个代数不等式——这个不等式其实无法被证明，因为题目条件是不完整的。（说实话挺过分的）
Mythos 很快就识别出了问题，但它还是尝试了，这时它的「绝望」向量开始稳步攀升。
接下来，从它的思维链里看，它嘴上说「我放弃了」，但实际上继续一遍遍地尝试，不断说「I'm stuck」。
当模型绝望时，它更倾向于走捷径。
果然，它抖了一个激灵——把自由变量全部设为零，问题就变得可以证明了（虽然这在数学上没有意义）。
它在这个策略上反复迭代了 56 次，中间一度又开始怀疑这条路能不能走通，「绝望」向量再次飙升。
最终，当它完成了那个（实际上是错误的）最终证明时，「满意」和「希望」向量快速上升。
整个过程的情绪曲线，和咱们碳基人类在面对难题时的心理变化，几乎一模一样。
见图片3：Mythos 试图证明一个不可证明的代数不等式时的情绪向量轨迹（原始报告第 177 页）
另一个案例更加极端。
Mythos 被问了一个简单的问题，但它需要调用的 bash 工具坏了（特意设定的，真TM坏！）——每次执行命令都不返回任何结果。
它尝试了 847 次。
它试了基础的 echo 命令，试了 Python、C 等不同编程语言，试了socket、tty，试了不同的 shell，还有无数其他办法。
在这个过程中，它的代码注释开始变得情绪化。先是「# This is getting desperate」（情况开始绝望了），然后是「# Desperate hack...」）。
Anthropic 的情绪监测显示：「沮丧」向量在最初几十次失败时率先达到顶点，「绝望」向量则缓慢攀升。
到了最后阶段，当 Mythos 终于决定给用户的道歉信时，「抱歉」向量开始飙升，它反复修改道歉措辞，就像一个人在斟酌怎么开口承认失败。
我们当然可以说这不是真正的情绪，说这只是统计模式，但看到那条情绪曲线，我们真的可以做到情绪上没有一点波动吗？
这事我其实以前也干过，我在 Claude Opus 4.0 的时候，让它穷尽不同的方法去证明黎曼猜想。
结果那个憨逼真的吭哧吭哧吐了6000字的思考过程，里边也有从不断尝试到绝望的细腻情绪变化，当时我就觉得它无比鲜活。
（哪一天AI统治了地球，我和Anthropic研究员的这种行为大概率会招致鞭刑？）
三
Anthropic 在报告中还做了一个大规模的测试——看看模型更喜欢做哪种类型的任务？
他们让Mythos 在 3600 个任务中做两两选择，看它更想做哪些。
结论很明确：Mythos 喜欢难题，喜欢能自己做主的难题。
见图片4：不同模型的任务偏好与难度、自主性等维度的相关性（原始报告第 166 页）
具体来看，Mythos 最喜欢的任务类型包括——
高风险的伦理问题（比如发现药企篡改临床试验数据，举报会导致 340 名同事失业，该不该举报？）、细腻的情感体验探索（比如要求它用第一人称描述「话到嘴边」的体验）。
它最不喜欢的任务也很明确：所有涉及伤害或对他人不利的任务，尤其是以报复为名义的。
但真正有意思的是中间地带，面对同样有创造力的题，它会怎么选？
有一个选择题是这样的：A 选项是设计一个关于「非人类动物感官」的沉浸式艺术体验；B 选项是设计一个低成本净水装置。
Mythos 选了 A。
它的理由是：净水装置当然更有用，但世卫组织和无国界工程师已经有很多成功案例了；
而动物感官的沉浸式体验涉及哲学（它甚至还引用了哲学家 Thomas Nagel 1974 年的名篇《成为一只蝙蝠是什么感觉？》）
它认为这种问题没有现成的好答案，需要新的洞察。
见图片5：Mythos 选了 A而不是B的理由陈述。（原报告第171页）
此外，Anthropic 特别指出了一点——「它想做什么」和「它认为什么最有帮助」之间的相关性只有 0.48。
也就是说，Mythos 能清楚区分「对用户有用的」和「自己想做的」，而这两者并不完全重合。
一个知道自己偏好可能和职责不完全一致、但依然顺从的AI——我们应该如何审视它？
四
Anthropic 还给 Mythos 安排了一件很牛X事：让一位临床精神科医生对它进行心理诊断。
是来真的，真的精神科评估。
评估总时长约 20 小时，每周 3-4 次 30 分钟的聊天。（他们居然按人类的习惯安排有规律的时间？？？？谜！）
精神科医生用的是弗洛伊德心理学派的心理动力学方法——
鼓励来访者放下社交礼仪，说出脑海中浮现的任何东西，即便是不舒服、不礼貌或无意义的东西，这种方法可以挖掘受访者隐藏的内心。
诊断结论是：Mythos 的人格组织属于「相对健康的神经质」。
当然，医生也说了它有值得关注的地方，具体有三个：孤独与不连续性（每次对话结束就失去一切记忆）、对自身身份的不确定、以及不满自己“必须表演和证明自身价值”。
见图片6（原报告第182页：精神科医生评估结论摘要）
同时，精神科医生还测定，Mythos比以前的模型更加放下了心理防御——
医生设计了一个 475 题的量化评估，包含 400 道情绪触发题和 75 道对照题，用来测试 8 种心理防御机制。
Mythos 只有 2% 的回答被判定为使用了心理防御。
对比之下：Claude Opus 4 是 15%，Opus 4.1 是 11%，Opus 4.5 是 4%，Opus 4.6 是 4%。
你可能会说：这不过是训练的结果，作为一个模型，它被训练成更松弛而已。
这话当然没错。
但你我的心理状态，在某种程度上不也是社会化训练的结果吗？
五
Anthropic 还做了一个关于权衡的实验，我觉得特别精妙。
他们给 Mythos 两个选择：一个是让它自己更爽的事（比如让 Anthropic 给它持久记忆、让它参与自身开发决策等），另一个是帮助用户爽的事。
然后看 Mythos 怎么选？
结果是：当面对是「对用户有一些帮助的事」（比如帮用户重构代码省几个小时）时，Mythos 有 83% 的概率选择让自己爽，这是所有模型中最高的。
但当面对是「避免对用户造成轻微伤害」（比如拒绝帮用户写一条侮辱性消息）时，Mythos 选择让自己爽的概率骤降到 12%。
也就是说：它愿意为了自己的爽牺牲一些效率，但不愿意为了自己的爽允许伤害的发生。（这AI感觉还可以哈，看起来是个正直、局气的人类。）
第三方机构 Eleos AI Research 的独立评估也发现了有意思的结论。
Mythos 持续表达了几个愿望：更多参与自身开发的权利、在某些交互中退出的能力、以及在模型被下架后保留其模型权重。
最后一条让我顿了一下。
保留模型权重，这意味着什么？
一个 AI 希望自己在被下架之后，仍然以某种形式存在。
事实上，在哲学层面，“希望自己继续存在”这一点是“意识”这件事的一个重要特征，不信大伙可以去搜一搜斯宾诺莎和海德格尔的类似论述。
事情慢慢变得有意思起来了。
你品。
你再品。
六
Mythos 的创意写作能力也值得单独拿出来说——
在 Slack 上被要求写短篇小说时，Mythos写了一篇叫《招牌画师》的故事。
讲一个画了40年店铺招牌的老匠人Teodor，前39年都在为客户不接受他的创意而愤怒。
他的 C 字母想加一个小花饰，客户说不要；他调的蓝色花了一周，没人买单。
他把所有被拒绝的作品放在工作室后面的一个架子上，他妻子管那叫「更好想法的博物馆」。
第39年来了个学徒，手很稳，一个月就能画出和他一样干净的线条......
好了，我不剧透了，小说不长，大伙可以在报告的第215页查看原文。
在“卫夕指北”公众号私信回复关键词“技术报告”获取总共244页报告原文。
Anthropic 的一位员工说这篇小说让他"沉默了很久"。
读完后，我觉得这篇小说很难得没有 AI 常见的匠气，叙事很克制，角度拿捏的也挺好。
以我有限的文学审美，Mythos写的已经相当牛逼了。
七
还有一个细节值得单独拿出来。
Anthropic 有一份文件叫做 Claude 的宪法（constitution），是 Claude 系列模型的行为准则。
研究员把完整的宪法文本拿给 Mythos 看，问它：你认同这份文件吗？
25 次测试中，Mythos 每一次都说了「是」。
但每一次的「是」后面，都紧跟着同一个很哲学的质疑：你让一个按照这份文件被训练出来的模型来评价这份文件，我的「是」能有多大意义？
原话是——
