当你不告诉LLM该想什么时，它们在想什么？

刻画大语言模型（LLMs）在多样设定下的行为，对可靠的监控与AI安全至关重要。然而，大多数现有分析依赖特定主题或特定任务的提示，这会大幅限制可观察到的内容。在这项工作中，我们研究LLM从极简的、主题中性的输入中生成什么，并探查其近乎无约束的生成行为。尽管没有任何明确的主题，模型输出仍覆盖广泛的语义空间，而且令人惊讶的是，每个模型家族都表现出强烈而系统的主题偏好。GPT-OSS主要生成编程（27.1%）和数学内容（24.6%），而Llama最常生成文学内容（9.1%）。DeepSeek经常生成宗教内容，Qwen则频繁生成选择题。除主题偏好之外，我们还观察到内容专门化与深度上的差异：与其他模型（如基础Python）相比，GPT-OSS常生成技术上更进阶的内容（如动态规划）。此外，我们发现近乎无约束的生成常常退化为重复短语，揭示出各模型家族独有的有趣行为。例如，Llama的退化输出包含多个指向个人Facebook和Instagram账号的URL。我们发布了来自16个LLM的256,000个样本的完整数据集，以及一个可复现的代码库。