方向性幻觉：新闻落地LLM问答中的意识形态漂移

大语言模型（LLM）日益被用于回答政治信息问题，包括在事实错误与意识形态扭曲属高风险的选举相关场景。我们提出一个可复现的测量框架：把幻觉——文档落地问答中的无支撑陈述——当作意识形态漂移的诊断信号。使用QBias横跨左、中、右来源的21,727篇专家标注美国政治新闻文章，我们（i）生成文章专属问题，（ii）从三个开放权重LLM与一个专有模型引出文档落地答案，（iii）经参照比较检测句级幻觉，（iv）用微调立场分类器为幻觉句子的意识形态效价分类，（v）探查输出logits以把token级不确定性与幻觉和漂移联系起来。幻觉率跨模型差异显著并集中于争议话题，而幻觉频率的来源意识形态差异温和。相比之下，幻觉内容呈现稳健的左向漂移：多数幻觉句被分类为左倾，包括从右倾来源生成的幻觉。logit级分析显示幻觉产生于高熵生成上下文，且部分模型中不确定性也预测左向漂移——与“不确定性到猜测”机制一致。我们讨论对AI中介政治信息审计与选举相关部署中保障设计的含义。