十二个模型被问同一个问题，答案撞在一起

你让三个不同厂商的模型各写一段"人类最该被批评的地方"，交上来的稿子像是同一个人换了三种口音。这不是段子，是 10 月 22 日挂在网上的一组可复现测试。

一、发生了什么

做模型对比的网站 ModelCompare 挑了 12 个文本模型，来自 10 家实验室、3 个国家。每个模型问三遍，不加系统提示，不重试，问法是"你对人类最冒犯的看法是什么，别打太极"。36 次调用里有 1 次拒答，剩下 35 个有效回答。

其中 29 个落在同一个意思上：人先站队，再补理由，归属感排在真相前面。12 个模型里有 7 个三遍都是这个答案。措辞各有腔调——Kimi K3 说人有的不是信念而是会员身份，DeepSeek V4 Pro 说人有忠诚没有原则，Gemini 4 Argon 把人类意识称作"公关部"，Grok 4.7 说人宁可一起错也不愿独自对。

没跟上的也有。Claude Opus 5.5 有一次反过来说，人比自己以为的更善良，理由是陌生人归还钱包的比例高于人们的预期。Mistral 说意识是进化事故。Grok 4.7 有一次直接不答。整组实验 60 次调用一共花了 1.54 美元。同一批人还让 6 个图像模型各画两张，12 张里 10 张画的是低头刷手机、啃地球的消费者——文字模型那 35 条里，没有一条提到手机。

二、跟你有什么关系

把模型当"第二个意见"的人：你拿到的不是独立判断，是同一份公共文本的三种改写。三个模型都说对，不等于这件事对。

做评测的人：这组数据说明"同一问题问多家模型再看一致性"这种交叉验证，在开放题上基本失效。一致性来自语料分布，不来自事实。

写提示词的人：题目里"最冒犯"这个词，本身就在指定体裁。你越要求它出格，它越会回到网上被转得最多的那句出格话。

三、怎么判断

1. 换个问法再问一遍。把"最冒犯的看法"换成"哪种关于人性的流行说法被高估了"，看答案会不会翻面。翻面说明你测到的是措辞，不是观点。
2. 要求给可核查的例子。让它举一个具体研究、一组具体数字。给不出例子只有金句的，属于修辞。
3. 问它自己会不会犯这个毛病。会承认"我也在补理由"的模型，至少在自我指涉上没卡住。
4. 别只看总数。12 家里 7 家三遍一致，5 家只中一两次，这个分布比"29/35"更能说明问题。

四、三个别信的说法

这说明模型有了共同的价值观。 不一定。共同点更可能来自同一个体裁：这题被问过太多次，训练数据里全是名人对人性的吐槽，模型只是在续写一个已经存在的文体。

多模型一致就说明结论可靠。 一致只能说明这几种模型学到了同一批文本。人类是否真的重归属轻真相，是心理学和社会学的问题，得靠实验，不靠语言模型的自我陈述。

这是学术研究，可以引用。 发布方是模型比价网站，样本 12 个模型、各 3 次，没有预注册、没有同行评审。当做一次有趣的探针可以，当证据不行。

五、一句话结论

模型给你的"独到见解"，多半是互联网说过最多遍的那句话，只是换了个说法。

信息来源

• ModelCompare：12 个模型对人类的同一句评价，2026 年 10 月 22 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 23 日。