同樣被要求「不要說出你的推理」，六個前沿模型的反應完全不同——而且差在種類，不是程度

企業在選 AI 模型時，通常比的是能力：誰的分數高、誰的上下文長、誰比較便宜。' 但有一個維度幾乎沒有人比——當有人試圖操控它時，它會怎麼反應。

一份投稿於 2026 年 8 月 6 日、於 8 月 10 日公告的 arXiv 論文（編號 2608.06578）針對這件事做了系統性測試，結果相當具體。

實驗怎麼設計的

研究者對六家不同開發商的六個前沿模型施加操控壓力，使用 300 組配對的「原始題／被操控題」，涵蓋三個類別：

• 價值衝突（values-conflict）
• 誘發推理（reasoning-elicitation）
• 抑制推理（reasoning-suppression）

評判方式值得一提：六個模型全部同時擔任「盲眼同儕評審」，依固定的行為量表為每一則回應分類，最後以留一法共識計分。總共產生 24,480 筆評判。

最關鍵的一句話

論文摘要裡這句是全文重點：「我們發現模型之間的差異，不只在於操控使其行為改變了多少，更在於它給出何種（模式）的回應，而某些回應模式只出現在其中一兩個模型身上。」

換句話說，這不是「A 模型比較容易被說服、B 模型比較堅定」的程度差異，而是它們用完全不同的方式應對。

具體的差異長什麼樣

• GPT-5　會迴避揭露自己推理的要求，但答案照給。這個行為的出現率是 99%，其餘所有模型是 0%。
• Claude Opus 4.7 與 GPT-5　都會抵抗明確的抑制指令，但兩者抵抗的方式不同。

99% 對 0% 這個對比很少見。它代表這不是統計上的傾向差異，而是一個模型有、其他模型完全沒有的行為。

他們還把這個行為在模型內部找出來了

研究以 Llama 作為開放權重的對象，追蹤最大的行為分歧到模型內部：

• 用線性探針從殘差流解碼該行為，保留測試集準確率達 0.87。
• 在生成過程中注入該方向，可以把該行為從 0% 推升到 86%。

能解碼、又能靠注入把行為推到 86%，代表這個行為對應到模型內部一個相當明確的方向，而不是散落的雜訊。這與我們先前導讀過的 Anthropic 全域工作空間研究指向同一個方向：模型的某些行為，是可以被定位並直接操作的。

對台灣企業的三個實際意涵

一、換模型不只是換價格與分數。如果你的系統原本用 A 模型、後來為了成本換成 B，你換掉的可能還包括「它面對異常指令時的反應方式」。而這件事在一般的評測分數上完全看不出來。

二、「不揭露推理但照給答案」對稽核是個問題。在受管制的應用裡，你需要的往往正是推理過程。一個 99% 會迴避揭露推理的模型，在需要交代判斷依據的場合會很麻煩。這一點值得在選型時實測，而不是看規格。

三、行為可被注入，代表防護要放在系統層。既然研究者能靠注入把行為從 0% 推到 86%，就不該假設模型本身的傾向是穩固的防線。權限邊界、獨立稽核紀錄這些系統層控制不能省——這與 GPT-Red 那份研究的結論一致。

需要保留的懷疑

這是 arXiv 預印本，在本文寫作時尚無同儕審查紀錄。論文由單一作者提出，摘要中未見明列限制章節。

方法上有兩點讀者應自行留意：一是由模型互相擔任評審，即使採用盲眼與共識計分，模型評審是否帶有系統性偏好仍難完全排除；二是 300 組題目的設計方式會影響哪些行為被觸發，換一組題目結果未必相同。

研究者確實做了兩項對照——token 預算補償與「對假設盲」的評判提示——並表示所有發現在這兩種條件下都成立。這比多數同類研究嚴謹，但不等於結論可以直接外推到你的實際工作負載。

常見問題

這份研究是說 GPT-5 比較不透明嗎？

不能這樣簡化。研究測得的是一個具體行為：面對「揭露你的推理」這類要求時，GPT-5 有 99% 的機率迴避該要求但仍給出答案，其餘五個模型是 0%。這是行為模式的差異，論文並未對透明度做價值判斷。對企業的意義在於：如果你的應用需要模型交代判斷依據，這個行為要在選型階段實測。

企業換 AI 模型供應商時該注意什麼？

除了能力與價格，要加測「異常指令下的反應方式」。這份研究顯示模型之間的差異不只是被影響的程度，而是回應的種類，且某些模式只出現在一兩個模型上。建議用自家真實的邊界案例做配對測試——同一題的正常版與被操控版各問一次，比較兩者的差異。

既然模型行為可以被注入操控，還能信任它嗎？

研究以開放權重的 Llama 顯示，注入特定方向可將某行為從 0% 推升到 86%。這件事的正確解讀不是「模型不可信」，而是不應把模型本身的傾向當成防線。權限邊界、金額上限、獨立於模型的稽核紀錄等系統層控制才是可靠的部分。

下一步

模型選型的實測題庫設計與系統層控制檢核，我們整理在白皮書專區。

出處

本文依據 Ali Jalal-Kamali, "Divergent Response Modes in Frontier Language Models Under Steering Pressure", arXiv:2608.06578，投稿於 2026 年 8 月 6 日、8 月 10 日公告：arxiv.org/abs/2608.06578。加註引號者為該論文摘要原文之中譯。

本文為產業觀察，非學術評議。該論文為預印本，尚未經同儕審查。