Same Judgment, Different Yes：测量语言模型的多语言判断画像

一项 arXiv 研究测试八种模型在六种语言、最多 105 个道德情境上的 110 万条回答，考察不同引答与读答方式何时测得相同判断、何时测得答题习惯。结果显示 token 读法与句子读法的画像中位相关性仅 r = 0.67，而句子读法与自由句读法一致性达 0.94；去除语言共识后，48 个模型-语言组合中有 39 个在命题标签下最接近自身跨语言的画像。