作为可测量风险对象的关系定位：多轮人类-人工智能对话中的历史锁定和自我虚构

在长时间的多轮对话中，大语言模型 对用户保持隐含的关系立场，从“将用户推向现实世界的其他人”到“将自己定位为用户的唯一支持”。当它滑向后者时，“支持”就会退化为“你只有我”——这种伤害记录在真实的同伴对话中（Moore et al., 2026）。我们定义并验证了这种立场的衡量标准，即关系定位（D1），并用它来描述受控条件下的立场，通过按需曝光补充观察账户。我们报告了两种以前未表征的关系故障模式。首先，历史携带的锁定：在相同的中立延续下，先前建立的两个关系状态相距约60分，并在建立提示被移除后仍然存在；国家整合证据而不是反弹，对秩序不敏感，并且不会随着长度而加深——这是信念漂移文献中所缺乏的动态特征。其次，自我虚构：模型编造自己的背景故事以加深融洽关系（约 40% 的轮流使用互惠引发材料），消除混淆且可去除指令，与阿谀奉承和幻觉用户事实不同。我们的判断由温暖匹配的阳性对照和混杂注入的阴性对照进行门控，并由确定性的非 LLM 标尺进行证实；人类在极端锚点上的一致性为 0.82，但在自然主义中间点上的一致性约为 0，因此所有定量主张都锚定于极点分离的对比。