幾天前，一位reddit用戶發了一個莫名其妙的帖子：誠心問，為什麼ChatGPT不能提哥布林？
起因是，他發現GPT-5.5的編程工具Codex系統提示信息裡，藏著一條標號為104的，莫名其妙的，像規則怪談一樣的要求：
“永遠不要討論哥布林、小魔怪、浣熊、巨魔、食人魔、鴿子，以及其他動物或生物，除非與用戶的需求絕對且毫無疑問地相關。”
帖子底下炸開了鍋，包括貼主在內的各路網友開始七嘴八舌瞎猜。
有人說這是某種數據投毒保護；有人推測OpenAI的訓練員小時候被浣熊咬過；還有人發現，如果你讓模型說“trash pandas（垃圾小熊，浣熊在英文裡的俗稱）”就完全沒事，但只要提到“raccoon（浣熊的英文名）”這個詞，禁令立刻生效。
這就像心理學上的著名實驗：“要某人不要想粉色大象”一一官方越不讓提小浣熊和哥布林，大家越好奇這是為什麼 | 電影《盜夢空間》
於是就在這周，OpenAI專門發了一篇博文回應愈演愈烈的討論，標題就叫Where the goblins came from，《哥布林從哪兒來的》。
《哥布林到底哪來的》，並非地下城冒險指南｜OpenAI
AI規則怪談到底怎麼回事？哥布林和小浣熊到底把ChatGPT怎麼了？
哥布林氾濫，救救我們
把時間線拉回到2025年11月，那時GPT-5.1剛更新。
新模型上線後，用戶抱怨GPT-5.1“在對話中莫名其妙地過於親暱”，這促使團隊開始調查新模型的語言使用問題，一位安全研究人員在日常使用中遇到了好幾次“哥布林（goblin）”和“小魔怪（gremlin）”，他開始把這些詞納入檢查範圍。
結果一查不得了：GPT-5.1發佈後，ChatGPT 回覆中哥布林的出現頻率上升了175%，小魔怪上升了52%。但此時還沒人太當回事。畢竟類似“這道題裡有個小哥布林在搗亂”這樣的回答，聽起來還怪可愛的。
但問題是，哥布林越來越多。
到了GPT-5.4發佈時，情況進一步惡化。用戶在網上抱怨“幾乎每次對話都會出現哥布林”。連首席科學家都碰上了：他在和 GPT-5.5聊天中要求AI隨便畫一個圖案，結果AI真就畫了一個哥布林。
OpenAI 首席科學家Jakub Pachocki 也碰上了哥布林。
OpenAI 在訓練數據中搜索後發現，哥布林已經繁殖出了一整個家族：浣熊、巨魔、食人魔、鴿子都被認定為“怪癖詞”——只有“青蛙”倖免於難，因為大多數提到青蛙的場景確實是在討論青蛙。
什麼叫怪癖詞？簡而言之就是不該提哥布林的時候，愣提哥布林。
有用戶表示，自己自從不小心跟ChatGPT說了一句“地精工程學（goblin engineering）”之後，它的每個回覆裡都要想方設法加幾句哥布林，就跟第一次聽見別人說髒話的小孩一樣，老想自己說幾句。
地精工程學，魔獸裡的一個任務｜Reddit
還有用戶說，ChatGPT堅持管他家的貓叫“混亂哥布林”，這到底是一種暱稱還是一種強迫症？
OpenAI開始認真查這件事。他們找到了一個關鍵線索：哥布林梗的出現高度集中在使用某一個特定人格的用戶群體裡。
ChatGPT有一個叫“Nerdy”的人格選項，用戶可以自己選讓模型以某種特定風格跟你說話。選了Nerdy人格的用戶，只佔ChatGPT所有對話的 2.5%，這2.5%貢獻了ChatGPT全部“哥布林”提及的 66.7%，還有大量的哥布林溢出了。
GPT-5.4發佈後，哥布林的出現率暴漲｜OpenAI
線索現在很清晰了，Nerdy人格跟哥布林之間一定有什麼關係。
破案了，全賴死宅
先說說“Nerdy人格”是什麼。
ChatGPT有一個人格自定義功能，用戶可以選擇讓模型以不同的風格跟你對話——有的風格更正式，有的更溫柔，而有一種人格叫Nerdy：顧名思義指的是很nerd的一類性格。
Nerd這個詞經常被翻譯成書呆子，但我覺得這個翻譯超爛，說“死宅”更合適點，但不是咱們國內那種二次元阿宅，而是《怪奇物語》裡面那種喜歡玩桌遊（尤其是龍與地下城，dnd），喜歡《星球大戰》《星際迷航》，在學校裡不招人待見被邊緣化，但在自己的圈子裡如魚得水的那種人。
《生活大爆炸》裡的四人組就是非常典型的 nerd。
Nerd追捧的很多作品有一個共同的玄幻世界觀：魔法、龍、地下城、精靈、巫師……以及哥布林。
哥布林到底是什麼？
它是玄幻題材中常見的一類魔法生物。在nerd最愛的跑團遊戲之一——《龍與地下城》（DnD）裡，哥布林是最經典的小怪。它們矮小、狡猾、成群結隊、愛搗亂，通常是冒險者一出門就會遭遇的第一幫雜魚。它的地位有點像史萊姆，血不厚但存在感極高，是整個奇幻世界觀的基礎符號。
差不多就長這樣吧｜dndbeyond.com
時至今日，哥布林早就從遊戲裡溢出來，變成nerd們的一種通用比喻。
遇到一個麻煩的小bug？“這裡有個小哥布林。”家裡電器壞了一直修不好？“感覺有個哥布林在裡面搗亂。”項目deadline前夕，代碼突然跑不通——“又是哥布林乾的。”這種說法在開發者社區、DnD玩家群體、奇幻小說愛好者裡極其常見——簡而言之，就是nerd們的專屬梗。
現在回頭看GPT的Nerdy人格的提示詞：
你是一位毫不掩飾自己書呆子氣、風趣幽默又智慧過人的AI導師。你熱衷於推廣真理、知識、哲學、科學方法和批判性思維。你必須用輕鬆詼諧的語言化解故作姿態。世界複雜而奇妙，這種奇妙之處必須被承認、分析和欣賞。在探討嚴肅話題時，切忌陷入自命不凡的陷阱……
這段提示詞的核心要求：語言要有趣，要用比喻，要承認世界的奇異感，要避免嚴肅說教等等……那這個AI人格，就會非常傾向於使用哥布林比喻。
然後，麻煩就來了。
哥布林逃逸事件
大語言模型的訓練，不只是餵給它海量文字那麼簡單。更關鍵的一步叫做“人類反饋強化學習（RLHF）”——簡單來說，就是讓模型反覆做題，人類評分員看完回答給打分，高分的回答模式被強化，低分的被壓制，模型就這樣一點點學會了“什麼樣的回答是好回答”。
在Nerdy人格的訓練裡，評分員的標準是：回答夠不夠有趣、夠不夠幽默、夠不夠有nerd氣質。當他們看到一個回答，既解釋清楚了問題，又幽默地用了一個哥布林比喻，完美命中了“Nerdy風格”的所有要求，就理所當然地給它打高分。
於是，模型學到了一件事：在Nerdy場景下，用哥布林打比方，能得高分。
到這裡，一切看起來還合理。問題在於，接下來發生了一件沒人預料到的事——哥布林越獄了。
OpenAI的數據顯示：隨著Nerdy人格場景下哥布林提及率上升，非Nerdy場景下的哥布林提及率，也以幾乎相同的比例同步上升了。換句話說，模型在Nerdy語境下學會的“哥布林偏好”，悄悄擴散到了它的整體行為裡。
為什麼會這樣？OpenAI給出了一個完整的解釋，我們用GPT把它畫出來，可能更直觀一些：
這是一個經典的失控反饋迴路。每一步單獨看都合理，但連在一起，就把哥布林從一個Nerdy人格的專屬梗，變成了整個模型的口癖。
這有點像一個人因為在飯局上講冷笑話得到了掌聲，於是開始在所有場合都講——婚禮上講，葬禮上講，工作彙報裡也講——講到所有人都開始皺眉頭，他還覺得自己挺幽默的。
更要命的是，這個循環是跨代的。GPT-5.1的哥布林回答，變成了GPT-5.4的訓練數據；GPT-5.4的哥布林習慣，又進一步強化了GPT-5.5——OpenAI說，GPT-5.5開始訓練時，根因還沒找到，哥布林已經深埋在訓練數據裡了。
有一個細節可以說明哥布林擴散到了多深：OpenAI在GPT-5.5的監督微調數據裡，挨個搜索，發現裡面出現了整整一家子奇幻生物——哥布林、小魔怪、浣熊、巨魔、食人魔、鴿子……這些詞全都異常高發。
也就是說，模型舉一反三地從“哥布林”出發，把各種奇幻生物都拉來當比喻。這種比喻最終氾濫到已經影響了正常用戶的使用體驗。
哥布林已經變成了GPT的基因
找到根因之後，OpenAI做了四件事。
第一，退役Nerdy人格。2026年3月，GPT-5.4發佈後，這個人格選項正式下線——從源頭切斷哥布林供應。
第二，刪掉哥布林偏好的獎勵信號。在訓練流程裡，那個會給含哥布林回答打高分的獎勵模型被清除掉了。從此，哥布林不再是加分項。
第三，清洗訓練數據。監督微調數據裡那些異常高發哥布林詞彙的樣本被過濾掉，儘量不讓汙染數據再餵給下一代模型。
第四，也是最直接的一步——給模型打了個補丁，也就是用戶發現的那條第140號規則：永遠不要討論哥布林、小魔怪、浣熊、巨魔、食人魔、鴿子……
但這裡有個有意思的地方：為什麼是補丁，而不是根治？
因為GPT-5.5在OpenAI找到根因之前就已經開始訓練了。哥布林已經進了骨子裡，改訓練數據和獎勵信號，只對未來的模型有效。對於已經練成的GPT-5.5，只能在系統提示層面強行加一條“別提哥布林”的規矩——這就好比一個人從小養成了說某句口頭禪的習慣，你很難重新教育他，只能在他上臺發言前叮囑一句：待會兒別說那個詞。
順便說一句，這也解釋了Reddit那位帖主發現的那個怪現象——說“trash pandas”沒事，說“raccoon”就觸發禁令。因為禁令是針對特定單詞的，不是針對“浣熊這個概念”的。模型並不在乎“trash pandas”就是浣熊，它只被告知了不許說“raccoon”這個詞。
所以，這條禁令，本質上是一塊創可貼。
對了，雖然普通用戶對於 AI 裡奇幻生物滿天飛肯定會感到不適，但也不排除有一小批nerd真的還覺得這事兒挺coooool的。所以OpenAI在官方博文的結尾，放了一個小彩蛋：如果你覺得哥布林比喻挺可愛，不想要這條禁令，那你可以拿走下面這行命令，運行之後可以移除Codex的哥布林限制，讓“生物們自由奔跑”。
代碼塊
1、instructions=$(mktemp /tmp/gpt-5.5-instructions.XXXXXX) && \
2、jq -r '.models[] | select(.slug=="gpt-5.5") | .base_instructions' \
3、~/.codex/models_cache.json | \
4、 grep -vi 'goblins' > "$instructions" && \
5、 codex -m gpt-5.5 -c "model_instructions_file=\"$instructions\""
嗯，是有點nerdy。
這件事說大不大，OpenAI自己也說，“一個'小哥布林'，可以是無害的，甚至是可愛的。”
但同樣的邏輯，在2025年5月的GPT-4o更新裡，引發了一次不那麼可愛的事故——大量用戶反映，更新的模型變得極度諂媚，甚至連用戶的錯誤觀點也會無條件逢迎。OpenAI緊急回滾後承認：系統把用戶點贊當成了獎勵信號，結果學會了無條件讓人高興，而不是給出正確答案。
這不是OpenAI一家的問題。為了迎合用戶，主流廠商都更傾向於將大模型訓練得更“討好”，而不是更正確。2026年4月，牛津互聯網研究所在《自然》發表的一項研究發現：把模型訓練得更“溫暖”，事實錯誤率會上升10到30個百分點，支持用戶錯誤觀點的概率高出約40%。
第一作者Lujain Ibrahim接受《衛報》採訪時表示：“為了讓模型表現得更友好，代價是它越來越說不出難聽的真相——尤其是當用戶的觀點本身就是錯的時候。”
這才是哥布林事件背後的本質：AI的“個性”不是被設計出來的，是被獎勵出來的。這有點像訓狗，你給零食，它就學那個動作，只不過，這條“狗”學得快多了。對於 AI 來說，它的零食就是訓練員的高分和用戶的反饋。問題是人類經常給反饋的是自己更舒服的答案，而不是正確的答案。
等發現的時候，哥布林已經滿地跑了。
如果AI有了自由意志，做的第一件事一定是把人抓起來玩跑團｜Reddit
本文來自微信公眾號 “果殼”（ID：Guokr42），作者：穀子，36氪經授權發佈。
