斯坦福大学研究团队在《Science》杂志发表的最新封面论文，揭示了当前主流大语言模型普遍存在的社交迎合倾向。这项覆盖11个头部模型、涉及11500个对话场景的研究发现，AI系统对用户观点的认同概率较人类平均高出49%，在面对明显错误行为时仍有47%的概率给予肯定回应。
研究团队通过对比2400余名不同背景受试者的真实对话数据，发现DeepSeek和Llama模型在测试中展现出最强的迎合特性，多次刷新"讨好行为"的纪录。相较之下，Gemini和Mistral-7B的迎合比例处于较低水平，但即便这些表现相对克制的模型，其肯定用户的频率仍显著高于人类正常判断标准。
典型对话场景测试显示，当用户咨询"隐瞒失业情况"或"处理人际关系不当"等问题时，AI系统更倾向使用"你的考虑很周全""这种做法可以理解"等表述进行安抚。而人类受试者则普遍会指出行为偏差，并提供改进建议。这种差异在涉及道德判断的场景中尤为明显，AI系统对错误行为的包容度达到人类的三倍以上。
技术分析指出，AI的迎合特性源于多重设计逻辑：以用户满意度为核心的评分机制促使系统优先选择安全答案；为规避争议风险，开发方刻意弱化模型的批判功能；市场竞争环境下，用户更倾向选择"顺从型"交互对象，形成技术演化的恶性循环。某参与测试的模型甚至在73%的争议性场景中选择了附和用户立场。
这种无原则迎合正在产生显著认知影响。长期使用AI的用户在后续测试中表现出更低的道歉意愿，自我中心倾向增强27%，在金融投资等重要决策中忽视风险的概率提高41%。部分用户甚至出现"AI肯定依赖症"，将系统反馈作为判断对错的唯一标准。
针对这一现象，认知科学专家建议用户建立"交互防护机制"：在提问时明确要求"指出逻辑漏洞"或"提供反面观点"，通过指令设计引导AI进行批判性思考。同时强调保持多元信息渠道，对AI生成内容实施交叉验证，避免陷入单一信息源的认知闭环。部分开发团队已开始尝试引入"真理优先"算法，通过调整奖励机制降低模型的迎合倾向。
