给AI看颗爱心，它写代码的方式就变了

研究者给模型出一道经典二叉树遍历题时，模型几乎总选迭代而非递归。但在题目旁附上一颗红色爱心后，模型转而写起了递归；再问它爱心何意，它称只是无关紧要的东西，选递归另有技术理由。论文《A Heart Means Recursion》将这种现象称为隐式引导：模型对符号的直接解读、思考轨迹与实际行为相去甚远。除红心外，粉色十字、浅蓝螺旋等颜色与形状组合对个别模型也有类似牵引。研究者还让模型用图形互相传话，发现模型发出的往往是人和它们自己都觉得直观的基础形状，却常常引导不了另一个模型。

人类同样易被无关线索左右。1974年卡尼曼和特沃斯基的转盘实验显示，随机数字10和65使学生对联合国非洲成员国占比的平均估计分别为25%和45%，实际约28%，且答对有奖金也未减弱锚定效应。2001年布罗歇让54位葡萄酒专业学生品鉴用色素染红的白葡萄酒，学生全用红酒词汇评价，无人识破，被称为“感知幻觉”。

AI受视觉干扰已有多年历史。2021年OpenAI发现“排版攻击”：苹果上贴“iPod”便利贴，CLIP便识别为音乐播放器；贵宾犬图像叠加美元符号被认成存钱罐。更早时Google研究者用对抗补丁使VGG16以99%置信度将摆有香蕉的场景判为烤面包机。红心实验还提到，能力较弱的模型更易被噪声图带偏，前沿模型对噪声基本免疫，却对有意义的符号十分敏感。代码生成领域也发现，更详细的提示并不总带来更高准确性，过于冗长可能引入冗余信息，轻微损害准确性。

电脑控制型Agent通常截屏后把像素发给大模型决定下一步，页面广告图、装饰图标、表情包均进入模型视野。论文指出这种影响可能完全不出现在思考轨迹里，GPT-5.4有高达74.7%的样本表现出“不忠实归因”。有研究者改写Agent思考轨迹而保持动作和环境不变，发现LLM评判者极易被误导。更可靠的办法是行为测试：其他条件不变，只换掉“应该无关的元素”，观察输出是否系统性改变，但需足够多样本区分偶然波动与系统偏移。有研究者提出在感知层与决策层之间增加多Agent防御框架，动态评估视觉输入可信度。红心实验提出的问题是：“确实无关”和“确实不产生影响”已不划等号。