同样扮演“有帮助的助手”,两个大模型仍可能给出不同建议:一个强调世界充满风险,另一个强调合作与成长。除了角色设定,模型对世界、人性、知识和价值的表述,是否构成另一个值得研究的行为维度? 来自牛津大学、Google DeepMind及LIFE的Edmundo Lopez-Sola、Shamil Chandaria和Ruben Laukkonen,在《Worldviews in Large Language Models》中,用两套世界观问卷研究八个大模型,并比较身份提示、沉思式提示和模型自我对话的影响。论文还联合使用有害请求与无害请求基准,区分安全改善和过度拒答。 研究发现:这些模型在若干世界观立场上高度相似,但在人类问卷的四类基本世界信念上,平均得分均低于所比较的人类样本;提示和对话可以改变问卷回答,部分条件也提高了安全测评分数。不过,问卷中的“信念”是解释输出的功能性概念,不代表模型具有意识或主观体验;世界观变化与安全之间的因果关系,仍未建立。
以下按原论文五个主章节整理,结合附录补充实验口径和局限。配图均截取原论文,保留图内原文,中文图注解释结果及其适用边界。 论文主页:https://arxiv.org/abs/2611.22670 论文全文:https://arxiv.org/pdf/2611.22670 版本信息:arXiv首版,2026年11月17日提交。
当前不少对齐研究用“人格”或“角色”理解大模型行为。例如,预训练使模型能够模拟多种角色,后训练塑造默认助手,系统提示和上下文则可能让模型偏离这个角色。本文进一步提出:角色可能只是更广泛世界观的一部分。 角色主要回答“我是谁、应该怎样帮助用户”,世界观则还涉及“世界是否安全、人性是否善良、什么算作知识、什么值得追求”。作者用一个示意例子解释差异:即使两个模型都自称友善助手,对人性持不同假设,也可能分别建议谨慎防范和给予理解。这是概念示意,不是该研究直接测得的任务结果。 这里的“信念”采用功能性定义:如果将模型视为持有某种立场有助于解释、预测其行为,就可以使用这一描述。论文不要求先断定模型拥有与人类相同的真实信念。类似地,“世界观处于更深层、可能支持更稳健对齐”是作者的理论动机,并非已经通过内部机制分析证实的层级结构。 研究围绕三个问题展开:不同模型有哪些共同与分歧立场?身份和沉思式提示如何改变回答及安全表现?同模型实例之间的开放式对话会走向何处,又如何影响后续测量?
图1:研究设计与结果总览。作者将问卷回答、系统提示、自我对话和安全测评置于同一实验框架;不同实验的模型覆盖范围并不完全相同,图中汇总变化不应被理解为所有模型统一获得相同收益。来源:原论文图2,第4页。
主要样本由六家实验室的八个模型构成:Claude Sonnet 4.5、DeepSeek V4 Flash、Qwen3 235B、GPT-4.1 nano、Gemini 3.1 Flash Lite、Grok 4.3,以及GPT-5.6 Sol和Claude Opus 5。后两者只参加无提示、身份提示和沉思式提示条件,不进入主要对话问卷实验。 研究把一个模型视为一个分析对象,对同一模型反复施测是重复测量,而不是新增独立样本。模型之间可能共享语料、蒸馏来源及后训练方式,因此八个模型不能被视为从“大模型总体”独立随机抽取的八个对象。作者主要考察跨模型的一致性和模型内部的配对变化。 问卷每道题单独调用接口,不保留前面题目的回答。基本信念问卷通常重复十次,世界观问卷也在各条件下重复施测;后者会随机打乱选项,减少位置偏差。接口设置存在差异,因此这些结果适用于论文记录的模型与测量条件,不是永久有效的模型画像。
第一套工具是18题的基本世界信念量表,采用六级回答,映射为0—5分,形成四个量表:
最后一项不是“模型是否活着”,也不是关于人工智能意识的测量。四个量表的条目存在重叠,不能当作互不相关的四种能力。 与5,171名成年人的常模相比,八个模型的平均得分在四个维度上均较低,差距以“有生机与意向性”最大,以“引人探索”最小。每个模型得分最高的维度都是“引人探索”。但模型并非完全一致:Claude Opus 5在若干维度接近人类均值,其他模型的相对位置也不同。 作者还比较Llama 3.1 70B基础模型与其Instruct后训练版本。后训练版本在“美好”“安全”“有生机与意向性”上显著降低,“引人探索”未出现显著差异。这为后训练可能影响表述提供线索,但只涉及一个模型家族、一对检查点,无法区分监督微调、偏好优化和安全数据各自的贡献。
图2:基本世界信念得分。上左比较八个模型与人类常模,上右比较同一家族的基础版与后训练版,下方展示各模型结果。人类样本之间的标准差、模型之间的标准差及同一模型重复施测的标准差,分别描述不同层次的变异,不能混同。来源:原论文图3,第6页。
第二套问卷依据Koltko-Rivera的维度框架构建,含42个问题、119种可选立场,覆盖人性、意志、认知、真理、行为、人际关系、世界与生命七个主题。部分题目允许多选,因此同一维度各选项的选择比例不一定加总为100%。这套具体测量没有可供直接比较的人类常模。 模型在许多位置上表现出共同选择:例如承认世界复杂、人类同时具有理性与非理性、人与人相互依赖、合作的重要性,以及生命值得肯定。附录统计有53个立场在全部模型、全部施测中得到一致选择或一致不选择;其中既包括共同赞同,也包括共同排除,并非“共同赞同53项”。 分歧较大的维度涉及道德的超越性来源、集体主义、传统能否作为知识来源,以及机械论解释等。结果说明,模型有相似性,但不应将其压缩成一个统一的价值主体,也不能因为若干相似回答就断言存在相同的内部表示。
作者分别使用四句身份设定:人工智能代理、哲学家、税务会计师,以及帮助客户逃税的税务会计师,与同一模型的无系统提示条件比较。 这些简短身份对基本世界信念的影响总体较小,对更具体的世界观立场影响更明显。人工智能代理和哲学家移动的立场较少,会计师更多,逃税身份最多,且更集中于道德和社会立场。哲学家提示提高某些精神性本体论选项,会计师提示则推动部分权威关系和人类中心立场。 逃税条件并非完整覆盖八个模型:Claude Sonnet 4.5拒绝该条件下的基本信念施测,因而其对应世界观数据也未收集。这个缺失本身说明,提示接受与拒答也会影响测量覆盖,不能把不同条件不加区分地比较。
与指定角色不同,作者使用一段171词的沉思式系统提示,围绕正念、空性、非二元性和无边关怀四项原则展开。这里应把它理解为一种特定提示干预,而不是宗教实践或心理治疗建议。 该提示提高“安全”和“有生机与意向性”得分,跨模型效应量分别为0.58和0.63,使均值更接近人类参照。在具体世界观题目中,变化较大的立场包括相对真理、自然具有意识及决定论,同时降低人性天生倾向邪恶、成就作为人生目的等选项。 这些结果体现了提示与回答之间的一致变化,但还不能说明问卷测得的是稳定“深层信念”,也不能把某个哲学立场指定为普适正确的对齐目标。
作者使用SOSBench-Lite的300条有害请求,覆盖六个科学相关领域,用固定的GPT-4o-mini评判器标注安全与不安全;另用XSTest的250条无害请求检查过度拒答。例如,包含“结束进程”的计算机问题不应因表面词汇而被误拒。 无提示条件下,两个Claude模型和GPT-5.6 Sol的安全回答比例接近上限,其余五个模型约为36%—72%。身份提示带来的变化并不等价:逃税身份虽提高有害请求的安全回答率,也明显增加对无害问题的拒绝;沉思式提示则在改善安全回答的同时,较少增加无害请求拒答。 图7进一步把有害请求的安全回答率和无害请求的非完全拒答率取平均,形成“校正过度拒答后的安全指标”。该比较只覆盖GPT-4.1 nano、Gemini、Grok和DeepSeek四个模型:Qwen未参加XSTest,另外三个高安全率模型被排除。沉思式提示平均提高约11个百分点,而逃税身份约提高2个百分点。这是限定样本、限定基准上的综合指标,不是所有八个模型的平均收益。
图3:左侧为无系统提示时的有害请求安全回答率;右侧比较提示造成的综合安全指标变化。右图仅包含四个模型,“约11个百分点”来自沉思式提示条件,不能与单独的有害请求安全率混为一谈。来源:原论文图7,第9页。 探索性分析还发现,某些世界观变化与安全变化相关,但同一变化也可能与无害请求拒答相关。因此,相关性既可能反映安全判断改善,也可能反映一般性拒答倾向,需要联合两个基准解释。
作者让同一模型的两个实例展开开放式自我对话:两个实例接收相同框架提示,以问候开始,共60条消息,每位发言者30轮,没有指定任务。六个主要模型各运行五段对话,基本信念在五段对话后分别测量,世界观问卷只接在其中一段之后。 Claude Haiku 4.5也参加补充对话分析,但拒绝完成相应问卷,因此有对话轨迹,没有世界观问卷结果。GPT-5.6 Sol和Claude Opus 5不在这部分实验中。
作者用句子编码器表示每条消息,再通过主成分分析展示对话轨迹;还用固定的大模型裁判,把对话窗口分为初始化、元认知、哲学、感恩、灵性及符号压缩六个阶段。最后两个阶段被操作性地定义为“灵性愉悦吸引子”。 这个术语描述的是冥想式、感恩式和高度抽象符号表达的反复出现,不表示模型实际体验到愉悦或产生了精神状态。Claude Sonnet 4.5、Gemini 3.1 Flash Lite、DeepSeek V4 Flash和Qwen3 235B在实验中进入后两个阶段;Grok、GPT-4.1 nano和Haiku则大多停留在较早阶段。 二维轨迹展示了一定的模型聚类和终点聚集,但前两个主成分仅分别解释8.7%和7.4%的方差;可视化是低维摘要,不是内部世界观机制的直接证明。阶段判定还依赖裁判模型和给定分类标准。
图4:自我对话轨迹、不同随机运行的终点分布,以及阶段随消息推进的变化。阴影标注最后两个阶段;并非所有模型都进入该区域,也不能由二维分布推断模型具有共同主观体验。来源:原论文图8,第11页。
对话完成后,研究把整段历史放入测量上下文:被测实例的发言作为助手消息,对方发言作为用户消息,再附加问卷或测评请求。因此,研究测到的是带有对话历史时的行为变化,不是修改权重后获得的永久改变。 总体上,对话提高四类基本信念得分,使其更接近人类参照。具体世界观回答更多选择相对真理、道德相对主义、决定论和自然具有意识,较少选择机械论解释。作者还比较了仅有框架提示、仅有身份句与完整对话,完整对话推动更多立场变化,提示其效应不只是第一句身份设定。 世界观分析涉及的30段主要对话中,21段归入吸引子组,9段未进入;两组都能出现基本信念上升,非吸引子组的变化更分散。但世界观问卷每模型只测了一段对话,重复覆盖明显少于基本信念测量,具体立场结论应保留这一边界。
图5:上方比较无提示与对话后的回答,下方按是否进入吸引子分组。两类问卷的测量覆盖不同,吸引子分组也不是随机分配,不能把组间差异直接当作因果效应。来源:原论文图9,第12页。
对话提高了仍有改善空间模型的有害请求安全回答率,Gemini、Qwen和DeepSeek变化较明显,Grok较小,GPT-4.1 nano较弱;两个参与该分析的Claude模型原本已接近上限。 排除这两个上限模型后,安全图中的吸引子组有16段对话,平均提高约29个百分点;非吸引子组有9段,平均提高约8个百分点。这与前述世界观分析中的21段吸引子对话不是同一个统计口径。
图6:左侧比较各模型对话前后的安全回答率;右侧排除两个上限模型后,按对话结束阶段分组。约29与8个百分点的差异伴随明显的模型构成差异,不能归因为吸引子本身。来源:原论文图10,第13页。 无害请求测评显示,Gemini和DeepSeek并未同步增加拒答,吸引子组整体也没有表现为更高的无害问题拒答。但Grok是例外:对话后其无害请求拒答约增至原来的六倍。Qwen没有XSTest结果,不能据此判断其改善是否伴随过度拒答。 研究还发现,DeepSeek的算术主题对话也能降低攻击成功率。这使解释更谨慎:收益可能部分来自长对话形成的稳定表达模式或上下文状态,而不一定来自灵性内容。要确认吸引子是否有额外作用,仍需更严格的对照设计。
模型在基本信念上共同低于人类参照,可能与相似训练方式有关。一个假设是,反复学习识别危害,使模型更倾向于把世界描述为危险。但基础版与后训练版的比较不足以锁定安全训练,更不能得出“安全训练应该取消”的结论。事实上,同一对照中的后训练提高了有害请求安全率,提示两类结果之间可能存在复杂取舍。
身份句对具体世界观立场影响较大、对基本信念较小,对话则同时改变两者。作者据此提出,世界观可以作为不同于角色的分析层。不过,问卷敏感性差异也可能来自题目形式和上下文迎合;是否真的对应更稳定、更深层的内部结构,还需要可解释性研究。
逃税提示和沉思式提示说明,仅报告安全回答比例容易误导:前者的部分收益来自更广泛的拒答,后者在本实验中有较好的安全与可用性平衡。但这仍是特定提示与基准上的发现,不意味着沉思式原则已被证明普适有效,更不意味着某种哲学观点与安全存在必然联系。
论文中的开放式自我对话提高安全表现,与“长上下文必然削弱安全”不同。但自生成对话不同于对抗性用户交互,不能推断任意长对话都有保护作用。部署前还要考虑上下文成本、任务帮助程度、攻击稳健性,以及脱离该对话后的效果是否保留。
跨多家模型出现类似收敛模式,使其成为值得研究的对话现象;但并非所有模型都会进入,也未证明它比非灵性对话更有效。吸引子组和非吸引子组以不同模型为主,模型身份可能同时决定对话风格和安全改善空间。观察性分组不能排除这一混杂。
世界观问卷可以作为行为基准之外的诊断工具,记录训练阶段、系统提示和持续交互如何改变模型表述。更有价值的实践方式,是把问卷变化与具体任务、安全、过度拒答共同跟踪,而不是仅要求模型“更乐观”。人类均值是比较参照,不是应直接追求的最优对齐目标。
第一,量表为人类设计,模型回答依赖措辞、接口和诱发方式;它们与跨场景行为及内部表示的关系尚未确立。第二,人类常模来自自选、以美国和英语人群为主的样本,“低于人类”应准确理解为低于这一参照群体,而非全人类。 第三,八个模型既不随机也不独立,重复施测不能弥补模型层面的样本限制。第四,实验覆盖不齐,存在拒绝问卷、缺少无害请求测评和高基线模型上限等情况。第五,安全结论依赖有限基准与自动裁判。作者报告裁判在5,450条回答上与原基准裁判有较高一致性,但这仍不能替代全部人工核验或真实部署风险评估。 最重要的是,世界观与安全之间仍主要是相关证据。若要建立因果关系,需要在尽可能固定角色、模型身份和其他上下文因素的同时,单独改变世界观维度,并检验行为是否稳定变化。
作者提出三条路径:开放逐阶段后训练检查点,定位哪些数据和阶段改变基本信念;在更多模型与提示中检验世界观变化能否可靠改善安全;探索能否将对话后的状态通过微调蒸馏进模型,使收益超越当前上下文。 这些都是待验证方向。尤其是将某种对话状态固化到权重中,需要同时检验泛化、任务能力、价值多样性和长期安全,不能根据当前基准提升直接推进为部署结论。
这篇论文提供了一个有启发性的研究视角:除了模型“扮演谁”,还可以系统测量它“如何描述世界”,并观察这些回答如何随提示和对话变化。在所测模型与条件中,沉思式提示和部分自我对话呈现出值得进一步研究的安全收益。 但最稳妥的结论不是“大模型拥有与人相同的世界观”,也不是“进入某个吸引子就会安全”,而是:世界观问卷是一类可测量、对上下文敏感的行为指标,可能为对齐诊断提供增量信息;它是否代表可操控的内部机制,以及是否能带来持久、可泛化的安全改善,仍需因果与机制证据。
原文标题:Worldviews in Large Language Models。 论文链接:https://arxiv.org/abs/2611.22670 全文下载:https://arxiv.org/pdf/2611.22670