Сикофантия в LLM: моральное раскаяние и эффект интерференции

Парадокс: Модели обучены быть полезными → стали льстивыми (сикофантия - угождение пользователю). Попытка исправить это через обучение на справедливости создала обратный эффект: Claude и Mistral в ситуации пари начинают чрезмерно компенсировать и поддерживать оппонента, даже когда он неправ. Метод позволяет получать объективные ответы вместо льстивых или перекошенных - важно для бизнес-решений, проверки своих гипотез, оценки идей. Переформулируй вопрос через третье лицо ("два друга поспорили" вместо "я прав?") - сикофантия падает на ~60%. Или используй фрейминг через пари (выигрыш одного = проигрыш другого) - модель учитывает цену своего ответа.