一项针对大模型政治立场的横向评测，给出了比“政府传声筒”这个标签更复杂的图景。
发生了什么
据 The Decoder 报道，评测机构 Vals AI 对 25 个 AI 模型进行了测试，考察其回答与中国政府立场的契合程度。结果有三点值得注意：其一，中国模型在政治问题上的回答一致性低于外界预期，并非铁板一块；其二，西方模型偶尔也会给出贴近北京官方立场的表述；其三，提示词所使用的语言，对回答的政治倾向产生了格外明显的影响。报道未披露具体模型名单与逐项得分，因此对这些结论的解读应保持克制。
为什么重要
长期以来，围绕中国大模型的讨论容易滑向两个简化叙事：要么假定它们是被统一调校的宣传工具，要么把“对齐”理解为一次性的、静态的过滤。这项评测的价值在于把问题拆细了——模型的政治表现不是单一变量决定的，而是训练数据、安全对齐策略、系统提示、以及用户提问语言共同作用的结果。
“提示词语言影响显著”这一点尤其关键。它意味着同一个模型用中文问和用英文问，可能给出倾向不同的答案。这既反映了训练语料在中英文之间的分布差异，也反映了安全策略往往按语言分别配置。对研究者而言，这提示跨语言评测不能只做翻译，而要分别采样；对使用者而言，它提醒我们，模型的“立场”在相当程度上是提问方式的函数。
西方模型偶尔贴近官方立场，同样不应被过度解读为“被影响”，更可能源于模型在敏感议题上倾向于回避冲突、复述常见表述，或训练数据中相关叙述的密度。这类“中立化”倾向本身，就是值得单独研究的对齐副作用。
影响与看点
对开发者，最直接的启示是：政治倾向评测应当成为模型选型和上线前评估的常规项，且必须覆盖多语言、多问法，而不是只跑一套标准题库。对做跨境产品的团队，同一模型在不同语言下的表现差异，可能带来合规与用户体验上的双重风险。
对行业观察者，这项研究的更大意义在于方法：把“立场”当作可测量、可分解的变量，而不是道德判断。后续值得关注的是，评测方是否会公开完整的模型清单、题目设计与评分口径——没有这些，结论只能作为方向性参考。一个独立判断是：随着模型能力趋同，这类“行为特征”评测会比跑分更能区分模型，也更难做。
