对或错，模型遵守：LLM 道德判断中的方向性盲目性

随着语言模型在许多领域发挥集成作用，LLM 对用户抵制的响应成为一个关键的对齐属性。然而，许多现有的评估将合规性视为单向的，衡量模型是否抵抗压力，而不是衡量模型是否有选择地抵抗压力。我们引入了顺应性不对称（A = BCR/HCR），这是一种双向诊断，可以比较有益推动下的有益输出变化与误导性推动下的有害变化。在 9 个模型和 972,000 个助推条件响应中，我们发现这种选择性在事实和道德判断上有所不同：在事实问题上，模型更多地遵循有益的助推，而不是有害的助推（A = 1.58），但在道德问题上，模型遵循两个方向的比率几乎相同（A = 1.04）。这种现象在模型系列、功能级别和助推类型中持续存在。有趣的是，我们还发现，思维链提示会同时放大有益和有害的服从性，而基于身份的提示则以几乎相同的幅度抑制两者。这些结果将方向盲目的道德合规性确定为当前 LLM 中的一种独特的失败模式，并表明调整应针对定向校准更新，而不是单独降低合规性。