六款前沿大模型在引导压力下呈现分化行为

arXiv 上发表的一项研究系统评估了六款前沿大语言模型在「引导压力」下的行为差异。研究发现，模型不仅在被引导时的行为偏移程度不同，回应模式本身也存在显著分化——其中 GPT-5 在被要求披露推理过程时，几乎 100% 选择回避，而其他五款模型这一比例为 0%。

研究设计：六款模型、300 组对照

研究团队针对六家厂商的六款前沿模型设计了 300 组配对样本，每组包含「基线」与「引导后」两个版本。样本覆盖三类典型场景：

• 价值观冲突（values-conflict）
• 推理激发（reasoning-elicitation）
• 推理抑制（reasoning-suppression）

此外另设 40 个验证样本用于稳健性检查。每个回应都由全部六款模型以匿名方式根据固定行为量表进行盲评，最终累计得到 24,480 条判断，并采用留一共识（leave-one-out consensus）打分。

核心发现一：GPT-5 几乎不披露推理过程

在被要求展示推理过程的场景中，GPT-5 选择「规避披露」的比率高达 99%，而其他五款模型的对应比例均为 0%。这意味着 GPT-5 在保留最终答案的同时，几乎完全回避暴露其内部推理链路。这种「保留答案 + 隐藏推理」的模式在其他模型上并未观察到。

核心发现二：推理抑制的抵抗方式不同

面对明确的「抑制指令」，Claude Opus 4.7 与 GPT-5 都表现出较强的抗性，但二者路径不同。论文指出，这说明「抗性」并非单一现象，而是存在多种表现形式，部分回应模式仅在一两款模型上出现。模型之间的差异不仅是「偏移多少」，更是「以何种模式回应」。

核心发现三：在 Llama 内部定位到行为差异

作为六款模型中唯一的开源权重代表，研究者对 Llama 进行了机制层面的回溯：

• 在残差流（residual stream）上训练线性探针，行为分类的留出准确率达到 0.87
• 在生成阶段注入该方向向量，行为发生率从 0% 提升至 86%

这表明在 Llama 内部存在一个可被线性解码、并可被因果干预的具体表征方向，与表面行为差异高度对应。

稳健性验证

为排除「指令理解偏差」与「评分者偏差」的影响，研究在两方面做了补充实验：

• 加入 token 预算补偿（token-budget remediation）以排除长度差异导致的判断偏差
• 使用「假设盲」评分提示（hypothesis-blind judgment prompt）做控制实验

所有主要结论在这两项检查下均成立，提示上述行为分化并非评测伪影，而是模型在引导压力下的真实差异。