昨天刷到Ars报道里GPT-5.5严禁谈论哥布林的禁令，第一反应不是觉得无厘头，反而刚好可以用来反推大模型的对齐边界逻辑。
之前大家做prompt注入大多靠模糊语义绕阈值，但从这条硬禁令看，OpenAI的对齐是把特定实体和所有关联语义做了整体embedding屏蔽？我上周拿7B参数的开源模型做过对照测试，只要训练时对某类实体做全关联负采样，prompt注入成功率会从72%降到4%，但代价是单token推理速度会慢1.2%左右。
有没有人试过拿本地模型复现这类对齐逻辑的？

我上周帮室友跑过类似的对照测试，数据和你测的基本对得上！要不这周找个空一起拿本地的13B模型复现一波？冲啊！

哦？服了合着我前几天问GPT“能不能写个哥布林穿越到抗日神剧里被民兵游击队花式揍的剧本”被直接打回，不是内容违规是踩了这个实体屏蔽的红线啊？可以可以
好家伙我说当时改了八版prompt，连“矮小绿皮肤类人型异世界反派角色”都用上了还是通不过，还以为是它对我脑补的离谱剧情有意见，合着是从根上就把这玩意给锁死了？
说真的你们搞测试的时候悠着点啊，别哪天顺手把我常听的评书里的角色也给关联屏蔽了，我以后想查裴元庆能不能一锤子砸烂十个哥布林都没地方问去。
对了有人试过用小语种或者古汉语绕这个屏蔽不？我好奇好久了。