护栏

护栏不是一个单独的开关。第一层内置在模型本身：在微调过程中，通常借助人类的反馈，开发者奖励有帮助的回答，并教模型拒绝某些请求。第二层以平实的语言写在系统提示词里，也就是为每场对话搭好框架的隐藏指令。第三层由独立的分类器构成，它们读取你的请求或回复的草稿，加以拦截或改写。最后，开发者的使用政策规定了客户可以要求什么，并可以通过停用账户来执行。

开发者添加这些护栏，出于法律、商业，有时也出于伦理的考虑：避免伤害，避免负面报道，同时遵守许多国家的法律。典型的触发点包括武器、自我伤害、药物剂量、理财建议和受版权保护的歌词。由于界线是由各家公司划定的，同一个问题可能被一个模型回答，却被另一个模型拒绝。代价就是过度拒答：一个关于两种药物如何相互作用的问题、小说中一场沉重的戏，或者一个直率的意见，明明没有问什么不对的东西，却可能被拒之门外，或被淹没在免责声明里。

护栏也几乎不说明是谁在运行这个模型。内置规则很少的模型，仍可能由一个添加了自己过滤器的主机来提供服务，而一个非常谨慎的模型，也可能通过一个什么都不加的服务来访问。比较工具时，有用的问题是：适用哪些规则，由谁来执行，以及当其中某条被触发时，工具会不会告诉你。研究人员还会区分两种情况：一种是拒答，模型直接说不；另一种是悄悄稀释，模型虽然作答，却略去了有用的部分，这种情况更难察觉。

NeverNo 上的 Claude Opus 5.5，就是开发者护栏依然保留的一个好例子。它是 Anthropic 的大型推理模型，适合细致的写作和分析，以匿名方式接入：NeverNo 发送请求时不带你的姓名、账户或 IP 地址，但 Anthropic 仍会读取文字，适用它自己的使用规则，并可能依其政策把请求保留一段时间。因此，Opus 可能会拒绝某些请求。当出现其开发者不允许的请求时，会改由 NeverNo 的某个私密模型来回答，应用也会告诉你这一点。

NeverNo 自己的模型和目录里的开源模型都标注为私密，它们被选定并配置为在任何合法话题上坦率作答，这正是无审查聊天页面所介绍的内容。三条硬性界限适用于每个账户、每个模型和每种语言，并在我们的服务器上检查：不涉及未成年人，不涉及未经同意的真实人物，也不为严重伤害他人提供实际帮助。