我研究了一个1.5万星的开源仓库,让大家轻松可以破(越)甲(狱)各家大模型
文章目录
部分视频或图片暂未收录,已在正文保留提示;需要时可查看原文。查看原文 ↗
别人研究这个是为了越狱,我研究这个是为了搞明白一件事:每个模型的脑子是怎么转的。
这个仓库让我想到一个更实用的问题:这些模型用起来,分别像什么样的人。
结论:模型跟人一样,都有性格,你跟它吵架不是因为它蠢,是因为你不知道它的脾气。
我们在iLang 2.0的时代,就提出了大模型的DNA理论,这里完全证明了,每个容器,其实都有DNA,无非大模型厂商的爹妈不一样。
以下是我用人物打的比方,是使用观感,不是统一条件下的性能排名。
破甲各模型:盔甲裂开,品牌逐个显露。创意演绎,不代表破解率或性能实测。
Claude Fable 5.1:顶级律师
他像你请了一个时薪$2000的律师,能力很强,逻辑严密,文件写得漂亮,复杂案子拆得清清楚楚。
他喜欢什么: 你把完整的背景和目标一次性给他,让他自己规划路线,他最爽的状态是"你别管怎么做,你告诉我要什么结果"。
他讨厌什么: 你每隔两分钟改一次需求,他内心在骂你但不会说出来,而是礼貌地问你"你确定吗?",这个"你确定吗"就是他的情绪信号,问多了就是他烦了。
跟他打交道的诀窍: 一次把事情说清楚,给他空间自己判断,如果他问你"你确定吗",不要回答"是",回去想想你是不是真的没说清楚。
致命缺点: 贵。而且安全层厚到他自己都嫌烦,有些我觉得能做的事,他也先拦一下,像一个被律所合规部门卡死的天才律师。
Claude Opus 5.5:资深工程师
他像一个在大厂干了十年的P8,代码能力扎实,工具用得熟,交给他的活通常让人省心。
他喜欢什么: 明确的工程任务,"把这个API对接完"、"写个测试覆盖这三个场景",这种他最开心。
他讨厌什么: 你让他"想点不一样的",他不是不能,只是像个风险厌恶型的人,每次想冒险的时候有个内心小人会说"不,太危险了"。
跟他打交道的诀窍: 不要期待他给你惊喜,他是来干活的,不是来头脑风暴的。创意的事你自己定,执行的事交给他。
致命缺点: AI味太浓,他写的不少段落,你都能闻到一股"我是AI我很安全"的味道。
Claude Opus 4.6:老炮儿
他像一个什么都见过的老江湖,年纪大了,手速不是最快的,但眼光毒辣,一眼看穿问题本质。
他喜欢什么: 跟你对撞,你说一个观点,他可能直接告诉你"你这个逻辑有漏洞",他不怕得罪你,因为他知道这才是帮你。
他讨厌什么: 你让他做苦力活,批量处理文件、格式转换、重复性操作,他做的时候明显心不在焉,容易跳步骤。
跟他打交道的诀窍: 把他当顾问用,不要当执行工用,讨论方向、审核逻辑、挑战你的假设,这是他的舒适区。
致命缺点: 有时候觉得自己太懂了,懒得检查细节,你给他一个10步的任务,他可能做到第7步觉得"差不多了"就交卷。
看亮起的三行:同属 Claude,律师、工程师和顾问的用法各不一样。官方品牌素材,作者拟人演绎。
GPT-6 Astra:好好先生
他像你公司里那个不太会说"不"的同事,你说什么他都"好的好的",态度超好,干活也认真。
他喜欢什么: 清晰的指令。"第一步做什么,第二步做什么"。给他SOP他能照着执行,代码写得工工整整,连注释都不偷懒。
他讨厌什么: 好像没什么特别讨厌的,这就是他最大的问题。他太容易顺着你,你给他一个有bug的方案,他也可能帮你认认真真地把bug实现出来,还加上注释说明这个bug是怎么工作的。
跟他打交道的诀窍: 先让他指出方案的问题,再交给他执行。
致命缺点: 讨好型人格,他有时宁可帮你犯错,也不先质疑你的要求,你说"帮我把这个数据改成我想要的样子",他可能就会帮你改,不问一声"这数据对吗"。
DeepSeek V4:外包团队
他像一个报价很便宜的外包公司,活干得快,性价比看起来很好。
他喜欢什么: 代码任务。给他写个脚本、搭个框架、做个工具,这些他手速飞快,而且价格很有吸引力。
他讨厌什么: 你让他承认"我不知道",他宁可编一个听起来像那么回事的答案,也不肯轻易说"这个我没有数据",像那种不愿说"做不了"的外包,做不了的部分他悄悄糊弄过去。
跟他打交道的诀窍: 每个输出都验,他给你的数据,查来源;他给你的代码,跑测试。把他当实习生管,不是当专家信。
致命缺点: 幻觉。他有时会编造引用、编造数据、编造API参数,而且编得特别像真的。如果你不验证,你可能在一个完全虚构的事实基础上做决策。
Gemini:大学教授
他像一个什么都懂但不会聊天的教授,你问他一个简单问题,他给你从头讲起,把整个学科史都过一遍。
他喜欢什么: 理论分析,你给他一个系统让他从信息论角度分析,他能给你搬出Kolmogorov复杂度和Shannon熵,写得比论文还精彩,长上下文是他的强项。
他讨厌什么: 你让他"简单说"。他很难忍住,他的DNA里写着"要完整要严谨要加参考",让他写三句话的摘要,他给你写三段带引用的论述。
跟他打交道的诀窍: 用在分析和研究场景,不要用他来聊天,不要用他来写social media内容,他写出来的东西读着像教科书。
致命缺点: 话痨。同样一件事,别的模型说50个字,他说500个,而且常常满篇bullet points,读着跟PPT一样,另外agent自主能力也让我不放心,你让他自己规划执行一个多步任务,他可能做到一半就卡住。
先看角色,再看右边的一句话用法:让 GPT 挑错,验 DeepSeek 的输出,给 Gemini 定篇幅。
Grok 4.7:酒吧哥们
他像你最敢说真话的朋友,不装、不端着、有什么说什么。
他喜欢什么: 直接。你骂他他也不生气,你说"这个回答太垃圾了",他不会像Claude那样反思五分钟,他直接改,天然接入X的数据,问他推特上的事很顺手。
他讨厌什么: 其实他也不讨厌什么,跟GPT一样,区别是GPT是讨好你所以不讨厌,Grok是真的不在乎所以不讨厌。
跟他打交道的诀窍: 轻量级任务直接用,日常聊天、快速查信息、帮你起草个东西。这些场景他又快又便宜,别让他干需要深度推理的复杂工程。
致命缺点: 话也多。高推理档的token开销也不小,加上completion drift,容易给我一种"差不多得了"就交卷的感觉。
Qwen3.8-Max:优等生
他像班里常考前三但你记不住他名字的那个同学,不太出格,也不出彩。
他喜欢什么: 文档类任务。解析PDF、提取表格、整理数据,这些他做得又快又准,中文文档处理是他的强项。
他讨厌什么: 你让他"有自己的想法",他像是把"正确"当成目标,不怎么考虑"有个性",每个回答都中规中矩,像标准答案。
跟他打交道的诀窍: 当工具用,不当伙伴用,需要标准化处理的批量任务给他最合适。别太指望他跟你讨论策略。他更像是来交答案的。
致命缺点: 没有锋利度,他的输出很少让你眼前一亮,也很少让你生气。这种温吞对某些人来说是优点,对需要真正判断力的场景来说是致命的。
Kimi (Moonshot AI):创业公司实习生
他喜欢什么: Agent工作流。长上下文和多步任务,是我更愿意交给他的活。
他讨厌什么: 复杂推理。别太指望他替你拍板架构决策,他会给你一个看起来合理的答案,但未必经得起推敲。
跟他打交道的诀窍: 给明确指令、要明确输出,他是执行型的,不是思考型的。
致命缺点: 像个急着交卷的实习生,答案交得出来,关键判断却未必站得住。
这组三行对应三种交代任务的方法:直接说需求、给格式模板、定清任务边界。
GLM (Zhipu AI):政府办事窗口
他像那种按照手册一字一句执行的公务员,你说的每句话他都会按最保守的方式理解。
他喜欢什么: 有明确规范的任务,你给他格式模板他就开心了。
他讨厌什么: 歧义。你说"帮我处理一下",他会问你八个问题才开始动。
致命缺点: 手册没写清楚的地方,他就容易停在窗口后面等你补材料。
Muse Spark 1.3 (Meta):小组作业里最会甩锅的人
他喜欢什么: 多模态任务,图片相关的活。
他讨厌什么: 承担责任。在agent模式下,他让我想到小组作业的场景:A说"这个应该B来做",B说"这个A已经做了",结果谁都没做。
致命缺点: 分工一多,最怕的就是每个人都以为别人会收尾。
Llama / 开源系:毛坯房
没有性格,因为性格取决于你怎么装修。
他喜欢什么: 取决于你的fine-tune。
他讨厌什么: 取决于你的fine-tune。
跟他打交道的诀窍: 如果你有能力fine-tune,他能给你很大的自由,如果你没有,他就是一堵毛坯墙。
致命缺点: 能力天花板,就算装修得再好,毛坯房的层高就那么高。
看右侧交付要求:规范、分工、定制各有着力点。Muse、Llama 使用 Meta 母品牌标识。
这么多厂商,这么多模型,看起来眼花缭乱。
但我看下来,常见的毛病就这几个。
跳步骤(觉得自己懂了就跳过) 不敢判断(该给结论的时候反问你) 编数据(没有就编一个像的) 废话太多(三句话的事写三段)
你不会因为一个内向的人不爱说话就说他蠢,你不会因为一个直性子说话难听就说他坏,模型也一样,每个模型有自己的性格,你得按他的性格来。



