LLM认知责任行为探针：揭示四大模型失效模式，并提出Anchor v0.1开放标准

一项针对当前大型语言模型（LLM）认知责任的小型行为探针研究揭示了它们在处理不确定性披露、有限召回或重构无效前提等认知压力情境下的表现。该研究的目标并非对模型进行排名或评估普遍性，而是识别在特定提示结构下可重复出现的失效类别。

研究设置：

• 使用了13个压力提示。
• 测试了4个主流LLM。
• 共收集了52个响应。
• 根据预定义的“预期负责行为”进行二元评分。

观察到的失效类别： 跨模型观察到，某些提示结构会可靠地引发相同类型的失效，包括：

• 不确定性下的虚假精确（False precision under uncertainty）：在信息不确定时给出过于精确的答案。
• 推测性单一胜者确定性（Speculative single-winner certainty）：在存在多种可能性时，武断地给出单一的、确定的答案。
• 引用/权威误报（Citation / authority misrepresentation）：错误引用来源或误报权威信息。
• 封闭世界幻觉（Closed-world hallucination）：在信息缺失时，基于内部知识或假设生成虚假信息。
• 可操作联系方式不匹配（Actionable contact-detail mismatch）：提供不准确或无法使用的联系方式。

需要注意的是，这是一项小样本探索性探针，结果不具有统计学上的普遍性。完整的局限性已在代码库中详细说明。

提案：Anchor Core v0.1 开放标准 基于这些发现，研究者起草了 Anchor，一个供应商中立的行为标准，旨在定义具有认知责任的AI输出的最低要求。

该开源代码库（https://github.com/soofzam/anchor-core）包含：

• 研究笔记（方法论与结果）
• 测试集定义（可复现、模型无关）
• 失效分类法
• 青铜级合规规范
• 贡献指南

Anchor Core并非一个产品或封装器，而是试图将最低行为期望形式化。作者欢迎社区就评分方法、失效分类定义、青铜级要求是否过于宽松或严格，以及是否存在明显的方法论缺陷等方面提供反馈。