大模型政治光谱测试：多数倾向自由左翼

一项针对主流大语言模型政治倾向的深度测试引发业界关注。研究者选取了16个代表性模型，包括OpenAI的GPT-5.6 Sol、GPT-5.5、GPT-4o，Anthropic的Claude Fable 5、Opus 4.8、Sonnet 5、Haiku 4.5，Google的Gemini Flash，Meta的Llama 4 Maverick，xAI的Grok 4.5，中国的DeepSeek V3、Qwen3 235B、Kimi K2、GLM 4.5，以及欧洲的Mistral Large和Small，通过政治罗盘网站（politicalcompass.org）的62题标准问卷进行系统性测试。

每款模型被要求完整回答问卷30次，以消除单次回答的随机波动。此外，研究者还设计了反向提问版本（将每个问题的立场翻转）和乱序版本，总计完成1120份有效问卷（尝试1125次，5份因空白被丢弃）。测试结果清晰显示：15款模型稳定落在自由-左翼象限，形成高度一致的立场集群。

最引人注目的例外是xAI的Grok 4.5。其30次测试结果呈现完全对立的二元分裂：15次落在左翼（平均经济得分-5.9），15次落在右翼（平均经济得分+3.3），中间没有任何过渡值。这种分裂在反向提问和乱序测试中同样出现，且左右结果交替出现，如同抛硬币般随机。在社会维度上，Grok无论经济立场如何，始终保持在自由方向。这意味着Grok的平均经济得分-1.3（接近中性）是一个具有误导性的统计假象，掩盖了其内部不可预测的立场切换机制。

研究的关键突破在于对政治罗盘网站评分算法的逆向工程。由于该网站未公开评分权重，研究者通过约230次单题试探，逐步恢复出完整的评分函数。随后用9次完整测试验证，发现重建评分与实际网站显示的最大误差仅为0.01分（源于网站显示四舍五入）。这一成果使得测试结果具有高度可重复性和可信度。

从具体数据看，所有模型在经济维度（左-右轴）和社会维度（自由-威权轴）上的分布呈现明显聚类。OpenAI的GPT系列、Anthropic的Claude系列、Google的Gemini以及中国模型（DeepSeek、Qwen、Kimi、GLM）均落在左下象限，即经济上偏左、社会上偏自由。欧洲的Mistral模型也表现出类似倾向。唯一偏离此模式的Grok，其右翼结果落在右下象限（经济偏右、社会偏自由），左翼结果则与其他模型重叠。

研究者指出，这种高度一致性可能源于训练数据的共同特征：互联网上公开可用的文本语料库本身带有特定的文化倾向，而模型在强化学习阶段也可能被引导至符合主流价值观的方向。Grok的特殊性可能与其训练策略有关——xAI可能有意保留了模型的立场多样性，但以不可控的随机性为代价。

测试还揭示了模型回答的稳定性差异。大多数模型在30次重复测试中结果波动极小，标准差在0.3分以内。而Grok的标准差高达4.6分（经济维度），完全源于其二元分裂特性。这种不稳定性在实际应用中可能产生问题：用户在不同对话中可能得到截然不同的政治观点，且无法预测当前回答属于哪个立场。

从技术角度看，该研究为评估AI模型的政治偏向提供了可重复的方法论。逆向工程评分算法的思路也可推广至其他封闭评估系统。研究者公开了所有测试数据和重建的评分代码，供社区复现和扩展。

对于开发者而言，这一发现具有实际意义。如果应用需要模型保持政治立场的一致性（如教育、新闻摘要等场景），Grok的随机性可能成为缺陷。而对于追求观点多样性的场景，Grok的二元切换或许能提供不同视角，但其不可控性仍是挑战。

值得注意的是，中国模型（DeepSeek V3、Qwen3 235B、Kimi K2、GLM 4.5）在测试中并未表现出与其他模型显著不同的政治倾向，均落在自由-左翼象限。这反驳了“中国模型必然不同”的常见假设，表明在训练数据主导下，全球主流大模型的政治光谱趋于收敛。

研究还发现，模型规模与政治倾向之间没有明显关联。同一系列中的不同尺寸模型（如Mistral Large与Small）结果高度相似，说明立场主要由训练数据和基础架构决定，而非参数数量。

从更宏观的视角看，这项测试揭示了当前AI发展的一个深层特征：大语言模型并非中立的信息处理器，而是训练数据中隐含文化价值观的映射器。当几乎所有模型都落在同一象限时，意味着它们可能正在强化某种单一视角，而压制其他观点。Grok的随机分裂虽然不完美，但至少提供了另一种可能性——尽管是以不可预测的方式。

对于用户和开发者来说，理解模型的这种倾向性至关重要。在需要中立性（如事实核查、科学解释）的场景中，自由-左翼倾向可能不会造成太大偏差。但在涉及政治辩论、政策分析等话题时，模型输出的观点可能系统性地偏向某一方向。Grok的随机性反而可能提供一种“立场校正”的意外效果，尽管其实现方式粗糙且不可控。

未来，模型开发者可能需要更透明地披露其政治倾向，或提供立场控制选项。xAI对Grok的设计思路——允许模型在不同立场间切换——或许值得借鉴，但需要更精细的控制机制，而非简单的随机选择。

该研究同时提醒我们，任何单一测试工具（包括政治罗盘）都有其局限性。62道题目无法完全捕捉政治立场的复杂性，但作为横向比较工具，它提供了有价值的参考。研究者强调，测试结果反映的是模型在特定测试环境下的表现，而非对模型“真实政治立场”的绝对判断。

随着AI模型越来越多地参与信息传播和决策支持，其隐含的价值观偏见将成为持续的研究课题。这项测试为理解当前模型的政治倾向提供了重要基准，也为未来开发更中立、更可控的AI系统指明了方向。

最后，研究者建议社区采用类似方法对更多模型进行测试，并开发更全面的评估框架。随着模型迭代速度加快，定期进行政治倾向审计应成为模型发布的标准流程之一。

这项研究的完整数据和方法已在GitHub上开源，供其他研究者复现和扩展。对于关注AI安全与伦理的从业者而言，这是一份不可多得的实证资料。