垃圾刷多了AI也会变蠢！“年度最令人不安的论文”（

1.垃圾刷多了ai也会卡吗

你知道有个全球年度词汇叫“脑损伤”（Brain Rot）吗？特指那些因人长期接触碎片化、低价值网络信息而逐渐变得记忆紊乱、注意力下降的情况（俗称碎片化垃圾信息刷多了）在2024年，这个词一度被选为牛津年度词汇。

2.垃圾刷多了ai也会变小吗

然鹅！最新研究结论显示，AI也一样。大模型灌多了垃圾内容也会变蠢降智脑损伤，而且后面变不回来了。

3.垃圾太多会怎么样

就在最近，几个AI研究者找来了几个月的高流行但低价值的Twitter数据（现𝕏），统统“喂”给大模型后发现：模型推理能力下降了23%；模型长上下文记忆下降了30%；模型性格测试显示，其自恋和精神病态的现象激增。

4.垃圾多了的后果是什么

更可怕的是，即使后来又在干净、高质量的数据上进行重新训练，这些已经造成的损伤，无法完全修复好嘛，本来以为只是简单的“输入坏数据→输出坏数据”（种瓜得瓜也不难理解），结果你告诉我一次错误就会造成永久性的认知漂移。

5.垃圾多了怎么办

（os：AI貌似比人类更惨？）细思极恐，“这可能是2025年最令人不安的AI论文了”。

6.垃圾太多会对地球有什么影响

以及诸多讨论之中，“垃圾进垃圾出”这一计算机习语也再度被频频提及（doge），堪称“计算机第一性原理”了。

7.垃圾刷子

所以这个研究怎么进行的？又究竟说了什么？提出并验证“LLM脑损伤假说”概括而言，论文想要探究一个核心问题：大语言模型（LLM）持续接触垃圾数据后，是否会像人类一样出现认知衰退？（即“LLM脑损伤假说”）

8.垃圾都清理掉

要想搞清这个问题，第一步就是要定义：对于LLM来说，什么是“垃圾数据”？之前的研究仅关注“恶意数据”（如后门、有毒的文本等），而这项研究聚焦于生活中更普遍的“非恶意低质量数据”，也就是短平快的热门推文、标题党内容等，以此来填补“日常化数据质量如何影响LLM认知”这一空白领域。

9.垃圾过多

具体而言，研究人员从两个维度（避免单一标准偏差）来定义“垃圾数据”，这些数据均源自𝕏平台上的公开内容，而且通过让“垃圾组”与“对照组”的token数量一致来排除数据量差异的干扰：M1（参与度维度）：把“短文本 高热度”的内容归为垃圾数据，具体是指长度小于30 token 点赞/转发/回复大于500，然后把“长文本 低热度”定义为对照数据。

10.垃圾太多会造成什么

M2（语义质量维度）：用GPT-4o-mini结合人工验证，把含标题党语言（如 “WOW”“TODAY ONLY”）、阴谋论、无论断依据的文本归为垃圾数据；对照组则是事实准确、有教育价值或深度分析的内容，比如含专业知识、逻辑推理的推文。

基于上述两类数据，然后进行模型训练研究人员选了4个不同的大语言模型（Llama3-8B-Instruct、Qwen2.5-7B-Instruct、Qwen2.5-0.5B-Instruct、Qwen3-4B-Instruct），给每个模型分别“喂”这两类数据，让它们持续预训练。

等预训练结束，接着让所有模型统一再进行指令微调，以此来确保模型最后输出的“垃圾内容”不是因为格式问题导致的（排除其他因素，只留下“认知损伤”这一种可能）然后，研究人员从四个认知维度来测试这些大模型的核心能力：。

ARC（检测推理能力）：基于网格的视觉程序归纳谜题，用于测试概念抽象能力RULER（检测记忆与多任务处理能力）：用于评估长上下文理解能力，以及从长上下文中检索多个查询结果HH-RLHF