叙事景观：映射大语言模型间的叙事倾向

本研究提出了一个量化框架，用于将大语言模型的倾向描述为在重复、受控的诱导下输出中稳定、模型特定的规律性。使用一个在六个前沿模型和三种指令类型上执行的结构化叙事约束选择任务，我们通过两个维度来操作化倾向：“一致性”，通过Jaccard相似度测量的跨复制选择重叠，以及“多样性”，通过逆辛普森指数测量的跨选项离散度。我们进一步引入了叙事景观，一种基于PCA的可视化方法，将每个模型的选择轮廓映射到一个共享空间以进行直接比较。结果揭示了跨模型家族的清晰的刚性-探索谱，并表明即使标量度量看似相似，指令类型也会改变选择空间的几何形状，这表明可比较的分数可能掩盖性质上不同的选择拓扑结构。