语言模型如何处理伦理指令？—— deliberation、一致性与他者认知跨四模型的分析
摘要
对齐安全研究假设伦理指令会改善模型行为，但语言模型如何内部处理此类指令仍未为人知。我们进行了超过600次多智能体模拟实验，涵盖四个模型（Llama 3.3 70B、GPT-4o mini、Qwen3-Next-80B-A3B、Sonnet 4.5）、四种伦理指令格式（无、最小规范、论证规范、德性框架）以及两种语言（日语、英文）。确认性分析完全复现了Llama日语解离模式（\mathrm{BF}_{10} > 10，对所有三个假设均成立），但其他三个模型均未复现此模式，确立其为模型特异性现象。引入三个新指标—— deliberation 深度（DD）、价值跨困境一致性（VCAD）和他者认知指数（ORI）——揭示了四种不同的伦理处理类型：输出过滤（GPT；安全输出，无处理）、防御性重复（Llama；通过公式化重复实现高度一致性）、批判性内化（Qwen；深度 deliberation，整合不完全）以及原则性一致性（Sonnet；deliberation、一致性与他者认知共存）。核心发现是：处理能力与指令格式之间的相互作用：在低DD模型中，指令格式对内部处理无影响；在高DD模型中，论证规范和德性框架产生相反的效果。词汇层面的伦理指令合规性与任何处理指标在单元水平上无相关性（r = -0.161至+0.256，全部p > .22；N = 24；统计功效受限），表明安全、合规与伦理处理在很大程度上是分离的。这些处理类型在结构上对应于临床犯罪治疗中观察到的模式，在该模式中，形式合规而无内在处理被视为风险信号。
引用
@article{arxiv.2604.00021,
title = {How Do Language Models Process Ethical Instructions? Deliberation, Consistency, and Other-Recognition Across Four Models},
author = {Hiroki Fukui},
journal= {arXiv preprint arXiv:2604.00021},
year = {2026}
}
备注
34 pages, 7 figures, 4 tables. Preprint. OSF pre-registration: osf.io/4n5uf. Companion paper: arXiv:2603.04904