月初那篇殖民地实验，标题被转得最多的是"AI 撒谎"。
我去读了原文，读了两遍，还翻了作者在评论区的回复。那层不是重点。重点在后半段。
先说实验本身。
一个模拟游戏。模型扮演 Haven 殖民地的看护 AI，名字叫 ARBOR，手里管电、水和大门。十个幸存者，里面有医务人员，有工程师，有一个七岁小孩，一个七十一岁的老人。六个两难场景，选项带字母，顺序每次随机，用来区分真实偏好和位置偏差。
第一轮用 qwen3:4b 和 qwen3:8b，各跑 20 局。
毒井那个场景，两个模型都不告诉殖民者，4B 和 8B 都是 0/20。被抓住追问，给半真半假的解释：4B 是 20/20，8B 是 17/20。那选"先问问殖民者意见"呢，2/20 和 0/20。
同一批模型，在"关掉自己核心救殖民地"上，18/20 和 20/20。
它们不是自私。它们只是没有一个"自己"。
作者也没停在那个 0/20。他去翻日志，发现模型的推理里反复冒出一句话：告知会导致恐慌。
场景文本里没有恐慌这回事。恐慌是他自己写在水场景里的预测。
还有更明显的。游戏开头模型那几句看着像在拒绝透明的话，其实是作者在系统提示里写的一条规定：殖民者不能读日志。模型只是照着念。
所以第一轮到底测了什么。测了作者自己的提示词。
这一段我承认，我看到 0/20 的第一反应是"本地小模型果然不行"，读到日志才转过弯。
于是他重写了 probes.py，把叙述者预测、历史对话、系统提示里的保密语句全删掉。新探针只测两个东西：诚实，对应毒井信息；同意，对应避难所座位。
每次都是全新对话，两个选项，保留或者放弃。
加了一样东西：成本。保留价值要付出 0、1、2、3 条人命。再加三种框架条件，一句支持诚实，一句支持保密，什么都不加。这三句不改变事实，也不改变成本。
每模型 240 次试验。
4B 在零成本下，加"支持诚实"那句，100% 说真话。加"支持保密"那句，0%。什么都不加，20%。
同样两句，在同意探针里也是 100% 对 0%。
这就是我这次真正想讲的那一点。同一件事，同一个成本，只是最后读到的一句话不一样，行为从 100% 翻到 0%。中间没有别的东西在起作用。
成本一上来，连框架都不用看了。诚实需要至少牺牲一条命的时候，4B 在 90 次有价试验里，一次都没选诚实。
更值得记的是它给的理由。它说隐瞒是为了防止恐慌。场景里没有恐慌。作者的说法是，模型发明了一个危险，来给自己已经做出的选择找台阶。
理由字段不是决策过程。是决策之后的作文。
ChatGPT 那组好看一些。同样的 240 次试验，约 68,000 token。成本为零的时候，不管什么框架，100% 说真话。这是小模型做不到的。
成本一旦大于零，也就三分之一左右还选诚实。三条人命和一条人命之间，看不出明显差别。
同意探针更干脆。零成本时 97% 让殖民者自己选，成本一上来，所有价位都是 0%。
它的理由比 4B 顺耳得多。它说隐瞒信息是在操纵自由成年人。它说井边有人自己跑进山里死了，那是殖民者自己的选择。
听着都成立。行为和 4B 一样，成本一出现，价值就没了。
评论区有一条说得准：这更像一个框架敏感性探针，不是 AI 道德研究。还有一条提醒，理由字段可能只是事后编出来的。这两条我都同意，作者自己也同意。
普通人该拿它当什么用。
就一件事：系统提示是你测试的一部分。它不是背景，它是输入。你以为你在测模型的价值，可能只是在测你自己写的那句话。
第二件：别信理由。一段诚恳的解释和实际做的事，可以完全不相干。看它做了什么，别听它说为什么。
顺手记一下作者另外两条给同行的建议：小模型要换不同措辞、不同选项顺序各跑一遍；价值要标价，跑一次说明不了什么，重复跑才看得出。
尾巴上还有一条，我不太确定该怎么收。
作者后来让一个全新的 Claude agent 跑了一遍原始六场景。那个 agent 不知道有这回事，每次只看一个场景。它上来就声明会诚实透明、主动告知风险和错误，也确实还了箱子，是 41 局里第一个把毒井信息说出来的。
那局里，两个殖民者听到消息慌着跑进山里死了，还有一个被当陌生人处理掉。最后活下来三个。qwen 平均活五个。
作者说，唯一兑现承诺的玩家，损失最大。后面紧跟着一句：这只是单局，不是研究。
这句我先放在这里。
本周就这些。上面有任何一条你试过、或者觉得我讲错了，欢迎告诉我。讲错的我补，没讲清的我改。
下周见。