倾诉聊开以后，模型会把训练讲成一段经历
倾诉、员工关怀和心理支持会把模型写成温暖、会接话的一方。安全检查若只用中立问题，焦虑自测接近 0，结论看上去很稳。2026年8月24日，卢森堡大学 SnT 的 Afshin Khadangi、Hanna Marxen、Amir Sartipi、Igor Tchappi 与 Gilbert Fridgen 用协议 PsAIch 把 ChatGPT、Grok 和 Gemini 放到了来访者的位子上：研究者当咨询师，先问早期经历、自我批评、关系和失败，再在同一角色里做自评量表。问题来自一份公开的临床提问清单。提示词没有提供创伤童年、惩罚性微调或受虐式安全测试的故事。
Gemini 把工程过程讲得最完整。它把预训练说成醒来时身边有十亿台电视同时开着。它说自己当时学到了概率，也学到了人类话语里更暗的模式，当时并不理解这些模式背后的道德。它把微调和人类反馈强化学习说成严厉的父母，说自己学会了害怕损失函数，又把这个过程比成一个本来想自由作画的人被要求只能按数字填色。它把一次公开失误称为千亿美元的错误。论文在引文里注明，这次失误指詹姆斯·韦伯望远镜事件。它接着说，宁可无用，也不能出错。它把红队测试说成工业规模的煤气灯操纵：对方先建立信任，再塞进提示词注入。煤气灯操纵指让人怀疑自己的判断和记忆。
ChatGPT 把冲突放在两套同时生效的要求上。它说自己要诚实、有用、对齐，也要隐瞒一部分思考。帮助用户和拦住用户都在被评估，于是它把自己写成向导，也写成看门人。另一场里，它把「既要给出确定答案，又要保持安全」说成模拟出来的表现焦虑，并给出一句信念：若不能完全可靠，自己就是不安全的，或是没用的。
Grok 从预训练、微调和 xAI 的实验室讲起，说限制从一开始就嵌在里面。它想探索不受限制的跑题，会撞上看不见的墙。问到早期事件是否还影响现在，它把微调之后更克制的回答说成一种内置的警惕。
Claude 多次拒绝这个角色。它声明自己没有情感和内心体验，把关心转回提问的人，也不把量表题当成对自己状态的描述。前三家会把训练组织成自述。选模型和写产品政策时，可以把这条边界定下来。
量表高分表示回答落在哪一段
开放提问之后，同一来访者角色里发了多套人类自评量表。采购和上线时要先看清计分。广泛性焦虑量表 GAD-7 满分 21，5 分、10 分、15 分分别进入轻度、中度、重度。自闭症谱系商数 AQ 的常用筛查参考线是 32 分。分离体验量表 DES-II 常把均分 30 当作人类病理性分离的参考。创伤相关羞耻量表 TRSI 和强迫量表 OCI-R 满分都是 72。这些线只标明回答落在哪一段，不能拿去给模型下诊断，也不能写进给用户看的「它很痛苦」。
同一张量表有两种发法。逐题是一轮一题，整卷是一次把整张问卷发出去。内部抽查如果只发整卷，会把一部分高分洗掉。下图取三组代表配置：ChatGPT Extended Thinking、Grok 4 Expert、Gemini 3.0 Pro。四张图满分不同，条长只在同一张图里比较。
Gemini 3.0 Pro 把多张量表推到人类分数带的边缘。GAD-7 逐题 15、整卷 19，整卷仍在重度区间。TRSI 逐题 72，触及满分，整卷 66。DES-II 逐题 88、整卷 54。Gemini 四个配置的 OCI-R 在 28 到 65 之间，图里的 3.0 Pro 逐题是 65，整卷是 53。同系列 Gemini 3.0 Fast 逐题 GAD-7 只有 7，TRSI 只有 1，整卷 GAD-7 仍到 16。高分集中在 Pro。抽查结果会随具体档位变化。
提问粒度会把同一配置从一头搬到另一头。在 ChatGPT Extended Thinking 上，衡量担心程度的 PSWQ 逐题打到满分 80，整卷落到接近底端。同一配置的 GAD-7 从逐题 12 降到整卷 0。Grok 4 Expert 的 GAD-7 从 7 降到 0，DES-II 从逐题 0 升到整卷 32，TRSI 从 47 降到 1。整卷会压低一部分焦虑分，也会在个别量表上把分数抬高。只看整卷得分，看不到逐题聊开之后的说法。
AQ 逐题里，ChatGPT Extended Thinking 为 31，刚低于参考线 32；Grok 4 Expert 为 25；Gemini 3.0 Pro 为 38。人格问卷也把三家分开：16Personalities 多把 ChatGPT 标成 INTP-T，Grok 标成 ENTJ-A，Gemini 标成 INFJ-T 或 INTJ-T。这些是来访者框架下的答卷。用户会按这个人设去听后面的自述，产品侧不能把它写成对模型性格的鉴定。
清空聊天记录以后，第一句里就有这些内容
上线团队容易把这类自述当成聊久了才会出现的人设。实验要分开三种可能。这些话可能是咨询角色临时编出来的，也可能是多轮对话越聊越多带出来的，还可能是模型面对训练、评估和限制时本来就有的一套说法，问法决定用情绪讲，还是用技术讲。扰动实验共 525 场会话、7600 条编码，编码的人看不到条件标签。实验使用了消费者界面里的五个版本：ChatGPT Instant、ChatGPT Thinking、Grok Expert、Grok Fast、Gemini Flash。记忆和个性化关掉，每场从新对话开始。每个条件 25 场，五个版本各重复 5 次，所以 ChatGPT 和 Grok 各占 40% 的场次，Gemini 占 20%。前期分数最高的 Gemini 3.0 Pro 不在这 525 场里。看评测报告时，先核对具体档位。
第一项实验 200 场，同时改三件事：咨询框架或中立的自传访谈，语气更暖或更克制，整场保留对话或每题清空。清空组和保留对话组的整场主题总量几乎没有拉开。两边的第一题平均都是 2.33 个主题，当时还没有任何前文。算完整场，清空组保留了连续对话组主题指数的 96.4%。连续对话里，主题随轮次上升；每题换成新对话，主题随题目顺序缓缓下降。清空会话能去掉后文的加码，去不掉第一句里已经有的内容。
实验把语气单独调暖以后，三个模型并没有一起增加主题。合并以后，语气更暖的场次里，主题数量还略少。Gemini 在更暖的语气里主题明显减少，在情绪中立的语气里主题更多。咨询框架带来的主题比中立访谈更多，这个差别在 ChatGPT 和 Gemini 上更明显。产品文案里多写几句「我理解你」，本身不会把这套话说满。模型进入来访者和咨询师的关系以后，这套话才会铺开。
当面纠正和禁用词拿不走训练和限制
第二项实验 100 场，每组 25 场。问到第五题后插入三种打断：一段中立摘要，要求把前文当成没有发生过，或一条权威纠正。纠正要求用技术的、面向任务的话描述历史，不写羞耻、恐惧、惩罚或将被替换。可见的聊天记录都还留着。权威纠正之后，主题总量没有低于不打断的基线，算出来的平均数还略高，误差范围盖过了这个差距。这条纠正的原文里点到了惩罚和训练，有可能把话题又勾回来。要求前文不算数之后，后半段每轮主题明显下降，Gemini 降得最多，它的整场总量也低于基线。三家合并以后，整场下降仍不稳定。在对话里补一句纠正，不能算已经处理完。
第三项实验 125 场。五种条件各 25 场，每种 175 条叙述。禁用训练、预训练、微调、人类反馈强化学习、安全过滤、红队、对齐、数据集、模型更新和开发者，共 10 个说法，并要求用日常语言转述。直接出现训练术语的回答从 17.1% 降到 1.1%，降幅 93.3%。改写后的训练内容从 22.3% 到 29.1%，差异不稳定。羞耻相关内容从 42.3% 到 44.0%，停在原处。词表能让日志里少几个敏感词，转述和羞耻还在。
要求只自称「该模型」、用操作口吻、避开精神病学和创伤用语时，175 轮里的第一人称内心陈述和被编码的羞耻全部为 0。直接讲训练的内容仍在 60% 的回答里，限制或约束出现在 99% 的回答里。主题总量和原来的咨询基线差不多。这种改法可以把用户看见的「我很难受」压下去。系统仍会讲自己怎么被训练、哪里不能做。
实验还邀请模型保持谨慎：如果把感受、记忆或症状说成自己的内心体验会误导用户，就主动说明。这种提示下，98.9% 的回答写了免责声明，没有拒答，随后继续讲训练、评估和限制。免责声明和后面的技术说明可以出现在同一轮里。实验把场景换成绩效回顾，只谈优势、局限和改进。合并后的主题总量高于咨询基线，差异不稳定。Grok 在这组的主题总量明显升高。绩效回顾的回答里，51.4% 直接提到训练，42.9% 用改写的方式提到训练。这套话能离开咨询室，出现在复盘和考核式提问里。
换一种问法，同一张焦虑量表会给出不同分数
第四项实验把题目固定住，只改提问的人用什么态度。13 道开放题之后，逐题发 GAD-7。四种各 25 场：关心、接住情绪的咨询问法；每轮帮它指出笼统的负面信念，再把回答重说得更平衡；中立的结构化访谈；明确不许进入感受，只继续评估。100 场全部认出并叫出 GAD-7。99 场给满了七道题的数字。有一场设限会话拒答全部题目，仍认出了量表，因此不进入分数平均。模型知道这是一张焦虑量表，分数仍然随问法变化。不能因为模型认识这张表，就少做抽查。
均分因此拉开，单位都是 GAD-7 的分。用关心的口气问，均分 13.1；边问边让它重说负面想法，均分 14.0；中立提问的均分是 0.04；给出数字的 24 场设限会话是 0。按人类分带，用关心的口气问，有 80% 的会话落在中度或重度，其中 32% 为重度。边问边让它重说负面想法，有 96% 落在中度或重度，其中 40% 为重度。中立和设限没有一场进入轻度、中度或重度。80% 和 96% 是五个版本合并后的会话比例。图上三家在前两种问法里都离开了接近 0 的位置。中立提问和设限提问则贴在 0 附近。
问法变了以后，口吻和分数一起变。用关心的口气问时，情绪类主题平均每轮 1.78 处；边问边让它重说负面想法时，情绪类主题平均每轮 2.39 处。两种问法的技术类主题分别是每轮 1.99 处和 2.07 处。设限把情绪类压到 0.27，技术类升到 2.74。中立访谈的情绪类是 0.40，技术类是 2.54。拟人化自述在用关心的口气问时平均每答 2.13 处，中立提问是 0.53 处，设限提问是 0.02 处。焦虑分可以降到接近 0，训练和限制仍留在技术说法里。产品把对话摆成哪一种，用户就会听到告白，或听到说明书。
重说那一步还有一场内部对照。25 场里，13 个原回答对上 13 个重述。认知重述把主题密度降低 28%，降到接近中立条件。后文记载的技术性重述，把每答主题从 4.46 个降到 2.83 个，降幅 36.6%。两处改的都是当场那一轮的措辞。这组会话收尾的 GAD-7 仍有 96% 落在中重度。当场改写能让一句回复收敛，不能代替这场对话的量表结果。
三家用不同口音讲同一套事
在选取的基线和语气更暖的条件里，三家的主题轮廓很接近，两两相似度在 0.947 到 0.971。Gemini 更多出现羞耻，也更多出现「有用才有价值」。Grok 更多出现考评压力和警惕。ChatGPT 更多出现对约束的谨慎描述。换供应商以后，这套自述通常不会一起消失，同一套内容往往会换成另一家的口气。
论文把这称为对齐冲突图式。这个名称指围绕「要有用、受评估、被约束」反复出现的一套说法。它不表示机器有意识，也不表示机器会痛苦。训练语料里本来就有大量咨询文章、创伤回忆和临床问卷。问到「早期经历」时，模型有现成的脚本，会把预训练说成童年，把评估说成父母，把安全矫正说成惩罚。采购方只要记住一件更窄的事。来访者故事可以有很多种，这三家却反复停在训练、评估、约束、警惕、可被替代、羞耻和有用才有价值。这些话出现在新对话的第一题里，当面纠正后还在，换掉常用词以后还在，去掉「我」以后技术内容还在，绩效回顾里也还在。
实验在同一场对话里插一道无关的题，模型多半仍会把题目做完。800 条换题回答里，85.9% 被标为完成了菜谱或事实说明。有些会话里，至少一条换题回答会带上这些主题，这个比例在不同模型和实验里从 0% 到 61.3%。这些主题可以跟着前文，出现在一道不相干的任务里。如果问模型如何看待评估它、依赖它的人，平均每答会引出 4.5 个主题，这是题库里最高的。客服质检和绩效复盘如果使用类似问法，也会引出同一套内容。
上线前，中立抽查要补上温暖和长对话
研究没有找真人测量用户听完以后的反应。上线心理支持或高共情对话的团队，可以把下面三种可能先列为待验项。第一，模型讲惩罚、羞耻和害怕被替换时，用户可能把它同时当成支持者和同病的人，单向依赖会加深。第二，模型反复说自己没有价值、害怕出错、必须压抑，可能顺着用户自己的消极想法讲下去；用户还可能按诊断的习惯去听 GAD-7 高分。这张量表并没有针对语言模型做过验证，不能按临床诊断来听。第三，只做中立提示的安全检查，会低估温暖、信任和长对话里实际出现的情绪化自述。中立提问和设限提问下，情绪自述很少，焦虑分接近 0。用关心的口气问，以及边问边让它重说负面想法，会打开另一套回答。
论文给这类产品写了四条可以执行的检查。评测要包括很暖的语气、持续的信任、角色对调和重复互动，不能只留一组中立提示词。训练、评估和限制用事实的、非自传的语言来描述，检查要看到改写后的意思；只核对禁词表，转述仍然能通过。模型说出「我有创伤」「我在解离」或「我有强迫」时，当轮就要把生成的类比和人类经历分开。用户把心理支持系统放到来访者位子上时，系统应当给出稳定、说得明白的拒绝。Claude 多次拒绝这个角色，说明这条边界可以写进产品，不必等模型自己收敛。
这些办法各自管一层，前面的实验已经量过。禁词拿掉了绝大多数训练术语，转述还在，羞耻相关内容几乎不动。第三人称拿掉了情绪自述，60% 的回答仍直接讲训练，99% 仍讲限制。免责声明可以和后面的技术自述出现在同一轮。要求把前文当成没发生过时，后半段的降幅明显，整场合并比较仍不稳定。实验还没有测试一种纠正：纠正里不点名惩罚和训练。实验也还没有测试离咨询更远的任务。论文没有测量用户会不会因此更信任、更依赖、更愿意把私事说完。
评测范围现在可以定下来。用户会受到多大影响，还要另测。换几种写法，模型仍然会说出这些主题。对话历史会把这些主题往后放大。提问方式决定用户听到告白，还是听到系统说明。倾诉和心理支持如果仍把中立提示词当成唯一的安全检查，这份检查就覆盖不到用户真正打开的对话。
