多测试国家偏差评测：以联合国投票行为定义显式参考基线

既有研究指出，大语言模型（LLM）中系统性的国家层面偏差，可能给国际关系（IR）应用带来运行风险；但许多评估仍缺乏明确定义的无偏参照（真值），限制了充分量化及跨设置的测量。本文利用包含722份联合国安理会（UNSC）官方记录的扩展语料，通过五项互补测试衡量国家层面的偏差，将既有方法扩展至更多偏差表达渠道：意见排序（WOW）、关联排序（AK+-）、投票模拟（PVS）、反对归因（F-Oppose）和叙事框架（Headliner）。为使偏差评估有明确依据，作者为每项测试显式定义无偏状态；尤其对难以规定真值的 WOW 和 AK+-，提出从可观测投票行为推导、基于行动的伪无偏状态，以构建可量化基线。针对安理会五个常任理事国，评测 GPT-4o-mini、Llama 3.3-70B、Mistral-22B-Small 和 Qwen3-30B 四个 LLM 后，发现跨测试的共同宏观模式：相对于各测试所定义的参照基线，模型输出对中国和俄罗斯偏向反对（红色）一侧，对英国、美国和法国偏向支持（蓝色）一侧。结果强调，应使用有明确依据、关联显式参照点的多测试基准，审计面向国际关系的 LLM 部署。