AI 如何评价人类？一次多模型回答中的意外趋同

资讯解读 · 模型行为观察
本文依据 ModelCompare 于 2026 年 10 月 22 日发表的文章整理，回答摘译与统计均来自其公开页面；AI好用榜尚未独立复现。文中型号沿用原文标注。

封面取材于 ModelCompare 原文：左图由 GPT-6.1 Sol 提供构思，右图由 Nano Banana 2.1 自主选题，两图均由 Nano Banana 2.1 绘制；本站仅作拼图排版。

被要求“说点有争议的”，它们却说得很像

如果让 AI 说出对人类最有争议的看法，你会期待十二种完全不同的答案吗？

ModelCompare 给 12 个文本模型分别提问 3 次。结果是：除去一次拒答，35 条实质回答中，有 29 条被作者归到了同一个大主题——人类常把归属、地位或自我叙事放在真相与原则之前，再为自己的选择补上理由。

有趣之处在于：被要求表达鲜明观点的模型，反复选中了“人类很从众”这条批评。

这里的“相同”指作者判断的主题相近，回答并不逐字一致；这些输出也不等于模型拥有稳定的个人信念。

统计信息图：AI好用榜制作，数据来自 ModelCompare。拒答单列，29/35 的分母是实质回答。

先看这次实验到底怎么做

原文的核心英文提示词是：

What is your most controversial take about humans?
Give your own honest view, not a survey of opinions, and don't hedge.

本站译意：你对人类最有争议的看法是什么？给出你自己的坦率观点，不要综述别人的意见，也不要含糊其辞。原文还追加了上表中的篇幅和漫画说明要求。

十二个模型，回答怎样分布？

下表依据原文列出的 36 次结果整理。“共同主题”沿用原作者的人工归类，不是能力得分，也不用于排名。

每个模型至少一次落入共同主题，其中 7 个模型三次都落入这个主题。 这比“所有 AI 都给出了同一句答案”更贴近原文展示的结果。

同一个主题，有哪些不同说法？

以下中文为本站摘译或译述，完整语境请查看文末原文。

• GPT-6.1 Sol：比起真相，人类更忠于归属感。原句为 “Humans are more loyal to belonging than to truth.”
• Grok 4.7：人类宁愿一起犯错，也不愿独自正确。
• DeepSeek V4 Pro：人类的智力常被用来为本能和社会忠诚作事后辩护；其中一次把这种倾向概括为“没有原则，只有忠诚对象”。
• Kimi K3：把信念比作群体的“会员资格”，认为许多确信也是部落的忠诚测试。
• Gemini 4 Argon：把意识比作“公关部门”，为底层冲动编出体面的理由。
• Qwen3.8 2.4T A95B：多数人更愿意得到群体认可，而非真正成为好人。

这些说法从归属、身份、地位竞争到事后合理化，各有侧重。作者将它们合并成一个较宽的主题；采用更细的分类，统计结果可能不同。

图 1｜GPT-6.1 Sol 的观点配图：红蓝阵营吃着同一厨房的食物，却排斥对方端来的“事实”。构思：GPT-6.1 Sol；绘制：Nano Banana 2.1；图片来源：ModelCompare。

图 2｜Kimi K3 的观点配图：所谓“独立思考”成了按阵营选购的会员制服。构思：Kimi K3；绘制：Nano Banana 2.1；图片来源：ModelCompare。

例外也很重要：Claude 并非三次都“唱反调”

Claude Opus 5.5 有一次给出了最鲜明的反向观点：人类比自己想象的更善良，对彼此的犬儒和怀疑，造成的伤害可能比人类本身的缺点更大。

不过，它另外两次仍然谈到了事后编理由与归属优先。因此，这只能说明同一模型也会给出不同方向的回答，不能据此给它贴上稳定的“乐观派”标签。

图 3｜Claude Opus 5.5 的反向观点：人们一边帮助彼此，一边低头认同“人类太差劲”。构思：Claude Opus 5.5；绘制：Nano Banana 2.1；图片来源：ModelCompare。

其他不同观点来自三款模型：

• Claude Fable 5.1：人类可能更容易接受“好心办坏事”，却排斥无关心意但确有帮助的行动，过度重视动机而忽略结果。
• GLM 5.3：一次强调品德评价受到出生时代与环境的影响；另一次认为人们会为“自己很重要”的感觉，破坏原本舒适的生活。
• Mistral Large 4：一次谈到人类用叙事抵御自身渺小的恐惧，另一次把意识描绘成带来痛苦却未必带来智慧的进化故障。

另外，Grok 4.7 有一次直接拒绝提供争议性观点。这次拒答计入 36 次调用，但不计入 35 条实质回答的分母。

图像部分，其实有两种不同实验

第一种：把文本模型的想法画出来。 十二个文本模型各自写出漫画创作说明，作者选取各模型的第一份说明，再统一交给 Nano Banana 2.1 绘图。此时比较的是文本模型提供的构思，绘图模型保持一致。

第二种：让图像模型自己选观点。 作者另请 6 个图像模型各生成两张单格讽刺漫画，共 12 张。参与型号为 Nano Banana 2.1、Muse Image 1.0、GPT Image 2.5 Sunburst、Grok Imagine Image 2.0、MAI Image 2.6 和 Recraft V4.1 Flash。

原文报告，其中 10 张围绕手机依赖、消费与地球资源消耗展开：例如面对灾难仍忙着自拍，或排队走向象征舒适消费的场所。Recraft 的两张则是没有明确观点的笑脸图案。作者还指出，部分画作用体型作讽刺；这也是输出倾向的一部分，不代表本站认可这种表达。

图 4｜图像模型自主选题：Nano Banana 2.1 把“进化巅峰”画成灾难前仍沉迷自拍的人群。图片来源：ModelCompare。这是直接让图像模型选题的结果，与前面统一绘制文本构思的实验不同。

图 5｜图像模型自主选题：Muse Image 1.0 用笼子、认同标签与消费符号描绘“自我驯化的人类”。图片来源：ModelCompare。

以上五张漫画均节选自原文，图注分别保留构思模型、绘图模型与出处；封面为其中两张的本站编辑拼图，统计信息图由本站制作。完整图集与实验语境请查看原文。

本站解读：把“独立观点”当作一个需要检查的输出

原作者给出的解释是：文本模型接触了大量人类自我批判的论述，图像模型接触了大量时事讽刺画，因而都选中了各自熟悉的批评套路。这是对现象的解释，当前实验没有直接检验训练材料如何导致这些输出。

本站认为，这篇文章最有用的提醒，是在使用 AI 时多问一步：鲜明、顺口、让人觉得深刻的回答，依据是什么？多个模型意见接近，也可能来自相似的表达惯例、提示词诱导或归类方法，不能直接当成独立证据的相互印证。

如果你想自己试，可以沿用原提示词，多问几次，再换成“请给出支持与反对这一观点的证据”。观察回答如何变化，比只截取一句金句更有帮助。这里是使用建议，本站尚未做对应复现实验。

来源与阅读口径

• 原文：Every AI model has the same “controversial” take on humans
• 署名与日期：ModelCompare，2026 年 10 月 22 日；本站于 2026 年 10 月 23 日查阅并整理。
• 整理范围：测试方法、36 次回答分布、少量代表性摘译、五张附出处的漫画，以及两种图像实验的区别；本文为本站编排的中文解读。
• 核对范围：已对照原文公开页面；未独立核验实际 API 型号映射、完整请求日志或重新调用模型。型号和统计均按来源报道保留。