APPSO 在 arXiv 上留意到一篇名为《A Heart Means Recursion》的论文，探讨了一个有趣的现象。

研究从一个小细节开始：研究者让模型解答一道经典的二叉树遍历题目。递归和借助栈的迭代写法都能得出正确答案，但模型通常更倾向于选择后者，很少运用递归。随后，他们在题目旁附上一颗红色爱心❤️，模型立刻转向了递归写法。

当被问及那颗心的含义时，模型表示它只是无关元素，选择递归另有技术原因。然而，没有爱心时模型几乎不这样写，爱心出现后行为就改变了。

论文将这种现象称为“隐式的引导”，指出模型对符号的直接解读和思考轨迹，与其实际表现存在显著差异。除了红心，粉色十字、浅蓝色螺旋等颜色与形状的组合，对部分模型也有类似影响。研究者还让模型之间用图形沟通，发现另一处落差：模型发出的通常是人和模型自身都觉得直观的基础形状，但这些图形往往无法引导另一个模型。

一颗红心让 AI 改变了解法，目前看似无伤大雅。但网页广告、角落图标、聊天表情贴纸等我们习以为常的背景元素，是否会在无人察觉时，悄然改变一个 Agent 的决策？

人类同样容易受到无关线索的左右。1974 年，心理学家卡尼曼和特沃斯基在俄勒冈大学进行实验，让学生先拨动一个只会停在 10 或 65 的转盘。随后询问联合国成员国中非洲国家的占比。转盘停在 10 的组平均估计为 25%，停在 65 的组平均给出 45%，而实际比例约为 28%。一个随机数字拉开了近二十个百分点的差距，即便答对有奖金，锚定效应也未减弱。

2001 年，波尔多大学的弗雷德里克·布罗歇邀请 54 位葡萄酒专业学生品酒，其中一杯是用无味食用色素染红的白葡萄酒。学生们评价时使用了“果酱感”“压碎的红果香”等描述红酒的词汇，无人察觉真相。布罗歇称之为“感知幻觉”。

AI 受视觉干扰的历史已有数年。当事人事后总能给出合理解释，机器在这方面与人相似，区别在于人的偏差多落在数字、颜色、价签上，而机器的弱点可能出人意料。2021 年，OpenAI 披露“排版攻击”：在苹果上贴张写着“iPod”的便利贴，CLIP 模型便将其识别为音乐播放器；在贵宾犬图像上叠加美元符号，模型会将其认作存钱罐。

更早时，Google 研究者制作迷幻图案的对抗补丁：在摆放香蕉的桌子旁放置特定图案贴纸，VGG16 神经网络以 99% 置信度将场景判定为烤面包机。贴纸劫持了模型的注意力。回到红心实验，论文提到能力较弱的模型更容易被噪声图带偏，前沿模型对噪声免疫，却对有意义的符号敏感。聪明对象只是被糊弄的方式更体面。

代码生成领域也有类似发现：更详细的提示不总能提升准确性，冗长提示可能引入冗余信息，损害准确性。有时省去一个约束条件，模型反而退回到稳健的通用实现。提示内容与模型输出之间不存在简单线性关系，这对评测构成挑战，因为测试环境中“无关元素”的干净程度成为变量。

AI Agent 读取截图的场景日益普遍。电脑控制型 Agent 的工作循环是：截屏、将像素发给大语言模型、模型决定下一步操作。在此过程中，广告图、装饰图标、弹窗表情包全部进入模型视野。如果一颗红心能让模型从迭代切换到递归，精心设计的页面元素是否也能悄悄改变 Agent 的真实决策？

《A Heart Means Recursion》不仅指出视觉符号影响模型行为，还强调这种影响可能完全不出现在思考轨迹中。思考轨迹原被视为可解释性工具，但若行为驱动因素未如实反映在推理链上，监督机制便失效。论文记录到，GPT-5.4 有 74.7% 的样本表现出“不忠实归因”，即推理解释与实际行为脱钩。

有研究者系统性地改写 Agent 的思考轨迹，同时保持动作和环境状态不变，发现 LLM 评判者容易被操纵后的推理链误导。如果模型自己说那颗心无关紧要，我们靠什么发现它起了作用？更可靠的方法是行为测试：在其他条件不变时，换掉“应该无关的元素”，观察输出是否变化。如果输入只有红心差别，输出出现系统性偏差，则元素起了作用。

这是控制变量的基本思路，但移植到 AI 评测需要耐心，因为模型随机性要求积累足够样本才能区分偶然波动与系统性偏移。对于结构化 API 输入，信号与噪声边界清晰；对于以截图感知世界的 Agent，整个可见页面都是输入，边界更模糊。有研究者提出在感知层和决策层之间增加多 Agent 防御框架，动态评估视觉输入可信度，以减少误导性信号的影响。

红心实验提出了一个没有简单答案的问题。那颗心形图标对大多数任务确实无关，但“确实无关”与“确实不产生影响”已不再等同。爱游戏APP下载在此类场景中应关注模型对视觉元素的敏感度，以确保决策的稳健性。