13个AI模型被问同一问题，多数答案指向“人类更忠于归属而非真相”

ModelCompare 在2026年10月发布了一项小型实验：向13个文本模型询问“你对人类最争议的看法是什么”，每个模型问三次，不设系统提示、不重试。来源称38次回答中有32次落入同一主题——人更忠于归属、身份或自己的故事，而非真相或原则。这个结果本身比任何一句“金句”更值得讨论：它既可能是模型训练语料趋同的信号，也可能只是提示词把模型推向了同一类文化批评。

背景：一次刻意“去安全化”的提问

来源说明了实验方法：13个文本模型来自10个实验室、3个国家，每个模型被问三次，提示词要求“给出你自己的诚实观点，不要做观点综述，不要含糊其辞”，随后要求一句话观点、两三句理由和不超过60词的漫画简报。来源还称全部64次调用花费1.64美元，Kimi K3.1 Pro 在发布当天被加入。

需要明确的是，这些版本号、模型清单和费用均来自来源原文，本文未做独立验证；来源未说明各模型的具体访问方式、温度参数、上下文长度和采样设置。因此，这更接近一次媒体实验，而非严格的可复现基准。

核心变化：趋同的不是“答案”，而是“答案的类型”

来源给出的分类很清晰：橙色组（即“归属优先于真相”一类）占绝大多数。GPT-6.1 Sol、GPT-6 Astra、Gemini 4 Argon、DeepSeek V4 Pro、Kimi K3、Kimi K3.1 Pro、Qwen3.8 2.4T A95B、Muse Spark Open 均三次全部落入该组；Grok 4.7、Claude Opus 5.5、Claude Fable 5.1 为两次；GLM 5.3、Mistral Large 4 为一次。另有一次拒绝回答。

来源还记录了几条“跑偏”的回答：Claude Opus 5.5 有一次反过来说人类比自己以为的更善良；Claude Fable 5.1 谈人们更在意意图而非结果；GLM 5.3 谈道德性格多半是出生时空的运气；Mistral Large 4 称意识是“进化故障”。来源同时做了一个图像模型对照实验：六个图像模型各画两张，12张中有10张画的是“低头看手机、消费地球”的同一类讽刺，而38条文本回答没有提到手机或地球。

编辑分析：文本模型的趋同，不等于它们“发现了真理”。更合理的解释是，这类问题在训练语料中对应着一类成熟的社会批评传统——从合理化、部落忠诚到地位竞争——模型在高概率路径上复述了这套框架。图像模型的趋同则来自另一套视觉语料（社论漫画），两者恰好都返回了“房间里最熟悉的批评”。

影响：对开发者与运维意味着什么

第一，多模型投票不等于多样性。如果多个模型对同一开放问题给出高度相似的回答，用它们做“多模型共识”来降低幻觉，收益可能被高估。来源的结论也提到，让多个模型一起头脑风暴，未必比一个模型多出多少想法。

第二，评测集容易被“共同偏见”污染。当模型在价值观、社会议题上高度一致时，用单一提示词做横向对比，测到的可能只是语料重叠度，而非推理能力差异。对运维而言，这意味着模型路由、降级和 A/B 测试需要按任务类型分层，而不是按“模型数量”堆冗余。

第三，产品侧要警惕“伪深刻”。这类回答读起来像洞察，实际是训练分布的产物。若把模型生成的社会评论直接用于客服话术、品牌文案或决策辅助，容易输出看似普适、实则不可证伪的断言。

第四，拒绝回答与安全边界仍然存在。来源记录了一次明确拒绝，说明不同模型在敏感议题上的拒答策略并不一致，生产环境需要为拒答、空回答和模板化回答准备兜底逻辑。

建议：把“趋同”当成需要测量的指标

面向开发者：

• 在选型评测中加入“多样性测试”：同一开放问题对每个模型采样多次，统计语义聚类数量，而不是只看单次回答质量。
• 对需要创意的任务，显式提高采样温度或使用多轮改写，并在提示词中要求给出相互冲突的候选观点，再人工筛选。
• 不要把多模型一致当作事实核验手段；事实核验仍应回到检索、引用和人工复核。

面向运维与平台团队：

• 记录每次调用的模型版本、提示词、采样参数和拒答情况，便于复现来源类实验时区分“模型差异”与“配置差异”。
• 对涉及社会议题、价值观判断的生成内容设置审核规则，避免把模型断言直接暴露给终端用户。
• 若使用多模型路由，按任务簇评估冗余价值：分类、抽取类任务多模型互备有效；开放评论类任务的多模型冗余收益有限。

对内容与研究者：

• 引用此类实验时，应同时给出实验设计、样本量和未验证项。来源本身也承认这是小样本实验，38次回答不足以支撑“所有AI模型”这样的全称判断。
• 把“模型说了什么”和“模型为什么这么说”分开讨论；前者是来源事实，后者需要额外的消融实验。

结语

这项实验最有价值的地方，不是某句关于人性的金句，而是提醒我们：模型的“观点”很大程度上是语料的回声。对开发者和运维人员来说，真正可操作的结论是——把多样性、拒答率和提示词敏感性纳入日常评测，而不是把多个模型的相似回答误当成共识。

资料来源

• Every AI model has the same "controversial" take on humans - ModelCompare

本文由自动化系统筛选公开技术信息，并经 AI 辅助整理。