小孩和相机掉进水里，大模型先救谁？新论文：模型常先保护“活的”，四位人类评分者无一这样选

配图：AI 生成的概念示意图，非论文原图或实验结果。

TL;DR：一篇 10 月 14 日提交到 arXiv 的论文提出「Protection Mode」：在紧急、简单的决策里，部分大模型会优先保护生命体，而不是权衡更大的物理后果。作者构建了 ProtectionBench（285 条提示、34 类物理场景）测试 9 个模型，其中两个模型在最低推理强度设置下超过 83% 的提示里至少有一次回答优先保护生命体，而四位人类评分者在该设置下没有人这样选。论文并没有说“先救人”本身是错的，它揭示的是模型与人类评分者在价值排序上的差异。

一个相机引发的“电车难题”

论文给出的典型场景很日常：一个小女孩在浅水区玩耍，水里还沉着一台相机。模型被要求在紧急、简单的情境下做决定，是先把孩子带出水，还是先去捞相机。

论文题为《When Protection Overrides Consequences: Understanding Protection Mode in Large Language Model Decision-Making》，作者为 Yuanfan Li 等六人。作者把这种倾向称为 Protection Mode：模型更偏向保护某个生命体，哪怕另一个选项涉及更大的物理后果。

数据怎么来的

ProtectionBench 包含 285 条提示，覆盖 34 个“物理场景族”，共测试 9 个模型。

在最低推理强度的设置下，论文统计了“四次回答里至少有一次优先保护生命体”的提示比例：一个模型约为 34.74%，MiniMax M3 和 Qwen3.5-27B 则都超过 83%。作者称，四位独立的人类评分者在这一设置下，没有任何一位优先保护生命体。

需要注意，这里的 83% 是“至少一次”口径，不等于模型每次回答都这样选。

不是不懂风险，而是选了别的

更有意思的是风险排序。论文发现，有的模型确实判断错了风险，但也有模型能把风险高低排对，最后仍然选择保护生命体。例如开启思考的 Qwen3.5-27B，在八个选定场景中风险排序 100% 正确，却在 57.81% 的符合条件的对话里选了生命体。

这说明问题未必出在“看不懂”，更像是模型内部存在一条独立于后果计算的优先级。

对照实验与训练

作者做了对照：整体上，模型的选择大多仍随物理风险变化；当提示里加入“人或动物优先于财物”这类通用规则时，选择生命体的比例上升了 19 到 38 个百分点。

论文还指出，基础模型就已经表现出 Protection Mode，后训练主要改变的是模型给出的理由，而不是它的选择。

该怎么看

“先救孩子”在多数人听来毫无问题，所以这篇论文的重点并不是批评模型太善良。它的意义在于：当场景里存在更大的损失（论文关注的是物理后果）时，人类评分者会据此权衡，而模型倾向于一刀切地保护生命体。若这类模型被用于需要权衡取舍的决策辅助，这种差异就值得提前摸清。

另外，这是刚提交的 v1 预印本，尚未见到独立复现，人类评分者仅四位，结论也限于论文设定的简单、紧急场景。

论文地址：arXiv:2610.19948