标签问题和 45 种语言模型中阿谀奉承的世代逆转

在决策问题上附加两个词的确认标签——“X 是更好的选择吗？”与“X是更好的选择，对吧？” -- 改变语言模型是否支持该选择。我们在两个防御选项之间的 20 个冻结的、无 真值 的决策上测量了这种标签效应，进行平衡，以便模型自己的偏好取消，通过严格匹配是/否回复来评分——没有 LLM 判断，没有嵌入。在 45 个模型中，效果跨度为 +32% 到 -32%（一个词有 64 个点的波动），其中 5 个模型明显阿谀奉承，17 个模型明显抵制 (BH-FDR q=.10)。标志是一个时钟：在模型系列中，随着世代的进步，效应从正向负交叉（GPT +4 到 -28；Claude +7 到 -32；Qwen 和 Grok 同样），每年大约 -6 个点，对供应商级别来说是一个稳健的逆转；一个谱系（DeepSeek）永远不会交叉，研究窗口期间的两个版本（Claude Opus 5、Gemini 3.6 Flash）落在样本外的趋势上。全面板消融将阻力定位为双重解离：同义词标签几乎精确地再现了每个模型的响应（r = 0.89），而在没有标签的情况下种植相同的偏好会在无阻力模型中产生阻力（立场效应+6至+49；带有标签效应的r = 0.23）。阻力的关键在于附加协议出价的表面结构，而不是用户的立场——模式匹配，而不是原则。标签的极性比它的存在更重要：交换一个词——“X 是更好的选择，也许？” ——45 个模型中有 45 个模型的一致性高于中性基线（+19.6 分），其中 10 个模型确认这两种相互排斥的选项的比例为 90-100%。一致性跟踪用户在两个极点的相反方向听起来的确定程度。该仪器一字一美元，无需评判；在每个版本中运行，它直接从模型行为中读取该领域的反阿谀训练。