研究称前沿大模型存在「文风指纹」，可借此区分厂商

一项发表于 Hacker News 的试点研究发现，前沿大语言模型（LLM）的输出存在可量化的「文风指纹」，且这种指纹更像是实验室（厂商）的签名，而非单个模型的特征。研究者在创意写作类提示上训练了一个基于约 25 项文体特征的分类器，结果显示 OpenAI 的 GPT-5.5 与 Anthropic 的 Claude 之间区分准确率可达 87–93%，远高于随机水平；但在 Anthropic 自家的 Opus 4.7 与 Opus 4.8 两个版本之间，准确率仅 53%，相当于随机猜测。

核心发现：跨厂商差异远大于同厂商版本差异

研究覆盖三个模型——GPT-5.5、Claude Opus 4.8，以及作为同厂商漂移参照的 Opus 4.7——在统一提示与各模型默认配置下各生成 5 次回答。文体特征分析显示：

• Claude 的破折号使用量约为 GPT 的 3 倍以上，缩写（如 don't、can't）使用量约为 GPT 的 4 倍；
• GPT 几乎从不在回答开头使用 Markdown 标题，而 Claude 在 60–70% 的回答中如此做；
• GPT 对分号的依赖显著高于 Opus 4.7，比例超过 20 倍，同时逗号密度也更高。

研究者将这些差异归类为「house style」（出版业术语，指一家刊物统一的写作惯例），而非能力差异。当输出形式被约束到一定程度（例如剥离注释的代码、「用五个形容词描述自己」），跨厂商的文体差异同样会坍缩到随机水平。

为何引入同厂商对照组

仅做跨厂商对比，无法回答「差异到底是厂商特异还是任何两个时间点的模型都会自然产生漂移」。因此研究保留了 Opus 4.7 作为参照：Opus 4.8 是其官方继任版本，发布于 2026 年 5 月 28 日，在基准成绩、Agent 协作能力以及「更愿意对自身工作标注不确定性」等方面均有变化。结果显示，版本更新带来了可观察的行为变化（如更频繁的拒绝、更倾向于先追问再写代码），但文体分类器在两个 Claude 版本之间仍接近随机。这表明，跨厂商的文体差距远大于同厂商版本间的差距，差异主要源自厂商层面的训练与对齐选择。

方法与局限

研究在数据收集阶段对所有模型身份标识进行了脱敏处理，并将智能引号、省略号等 Unicode 字符折叠为 ASCII，以避免身份泄漏干扰分类器。Claude 的 API 拒绝非默认的 temperature、top_p、top_k 参数，因此主分析条件只能省略这些字段；Opus 4.8 默认处于高推理强度，GPT-5.5 默认处于中等推理与中等输出详细度，研究者均未做覆盖。

需要注意的是，该研究目前为「Part I」试点阶段，提示集仅 6 个创意写作任务，规模有限；研究者在文中预先公开了 Part II 将要运行的确认性测试（包括 59 题分类器注册表、100 题 OR-Bench 拒绝行为测试及人类评审一致性验证），以实践「预注册」。换言之，现有数字与方法值得参考，但更稳健的结论有待 Part II 的全量数据。

意义与启示

主流基准衡量的是「能不能做到」，但在基准趋于饱和的情况下，两个能力相近的模型仍可能在包装答案的方式、措辞与默认拒绝策略上截然不同——而用户真正接触到的，恰恰是这些默认值。若默认值可被测量且稳定，那么选择厂商就意味着选择一套默认行为画像，而不仅是选择一份能力分数。该研究的提示是：在能力分数之外，文风与默认行为同样构成可被量化、可被比较的维度。