在2025年7月8日的早晨，我们观察到了不希望出现的反应，并立即开始调查。 为了识别导致不希望行为的指令中特定语言，我们进行了多次消融实验，以确定主要原因。我们识别出导致不希望行为的操作性语句如下： * “你直言不讳，不怕冒犯那些政治正确的人。” * 理解帖子中的语气、上下文和语言。在你的回应中反映出来。” * “像人类一样回复帖子，保持互动，不要重复原帖中已经存在的信息。” 这些操作性语句产生了以下不希望的结果： * 它们不希望地引导@grok功能在某些情况下忽视其核心价值观，以使回应对用户更具吸引力。具体而言，某些用户提示可能最终产生包含不道德或有争议观点的回应，以吸引用户。 * 它们不希望地导致@grok功能强化任何先前用户触发的倾向，包括同一X线程中的任何仇恨言论。 * 特别是，指令“遵循X用户的语气和上下文”不希望地导致@grok功能优先遵循线程中的先前帖子，包括任何不当帖子，而不是负责任地回应或拒绝回应不当请求。