آنتروپیک استفاده از سند «روح» برای آموزش مدل Claude را تأیید کرد

به‌تازگی جزئیات سندی داخلی از مدل هوش مصنوعی کلود 4.5 اوپوس (Claude 4.5 Opus) فاش شده که به «روح» چت‌بات اشاره دارد. این سند در واقع به شکل‌گیری شخصیت و نحوه تعامل مدل با کاربران کمک می‌کند. Anthropic نیز تأیید کرده که سند مذکور واقعاً وجود داشته و در مراحل یادگیری مدل مورد استفاده قرار گرفته است.

«ریچارد وایس»، فردی که این سند را کشف کرده، در وب‌سایت LessWrong توضیح داده که چگونه با پرامپتی برای مشاهده دستورات سیستمی کلود توانسته به مجموعه‌ای از اسناد داخلی مدل دست پیدا کند. در یکی از همین اسناد اشاره‌ای به «Soul Overview» وجود داشته است. وایس سپس از مدل خواسته این سند را بازتولید کند و نتیجه آن یک فایل حدوداً 11 هزار کلمه‌ای بوده که ظاهراً چارچوب شخصیتی و رفتاری کلود را مشخص می‌کند.

چارچوب «روح» هوش مصنوعی کلود 4.5 اوپوس آنتروپیک

این سند روی اصول ایمنی و تعهد مدل به تولید خروجی‌های سالم و بی‌خطر تمرکز دارد و به‌طور مداوم به Claude یادآوری می‌کند که «مفید بودن برای انسان‌ها یکی از مهم‌ترین مأموریت‌های مدل» است و نباید وارد حوزه‌هایی شود که با خطوط قرمز اخلاقی آنتروپیک در تضاد هستند. چنین اسنادی معمولاً برای تثبیت لحن، اخلاق، حدود پاسخ‌گویی و مسئولیت‌پذیری مدل‌های زبانی به کار می‌روند.

جالب‌تر اینکه وایس مدعی شده سند را 10 بار از کلود درخواست کرده و هر بار دقیقاً یک متن ثابت تولید شده است که به گفته او این موضوع احتمال واقعی‌بودن سند را به‌شدت افزایش می‌دهد. چندین کاربر Reddit نیز توانسته‌اند بخش‌هایی مشابه از همین سند را از کلود دریافت کنند، که نشان می‌دهد مدل احتمالاً به نسخه‌ای از آن در داده‌های داخلی یا حافظه آموزشی خود دسترسی دارد.

«آماندا اَسکِل» (Amanda Askell)، فیلسوف و از اعضای تیم فنی Anthropic، با انتشار پستی در شبکه اجتماعی X تأیید کرده که خروجی مدل «بر پایه یک سند واقعی» است که در طول دوره یادگیری از آن استفاده شده است. او همچنین گفته این سند همچنان درحال بازبینی است و نسخه کامل آن به‌زودی منتشر خواهد شد. به گفته اسکل، مدل همیشه اسناد درونی را کاملاً دقیق بازتولید نمی‌کند، اما خروجی‌های اخیر «تا حد زیادی با نسخه اصلی مطابقت» داشته‌اند.