当你不告诉 LLM 该思考什么时，LLM 会想什么？
量子物理
2026-04-08 v2
摘要
刻画大语言模型（LLM）在不同情境下的行为对于可靠监控和 AI 安全至关重要。然而，大多数现有分析依赖于特定主题或任务的提示，这会显著限制可观察的内容。本文我们研究 LLM 从最小化、主题中性输入中生成的内容，探索其近乎无约束的生成行为。尽管缺乏明确主题，模型输出覆盖广泛的语义空间，令人惊讶的是，每一模型家族都表现出强烈且系统性的主题偏好。GPT-OSS 主要生成编程内容（27.1%）和数学内容（24.6%），而 Llama 最频繁生成文学内容（9.1%）。DeepSeek 常生成宗教内容，Qwen 则频繁生成多选题。除了主题偏好，我们还观察到内容专业化和深度存在差异：GPT-OSS 常生成更技术性的内容（如动态规划），而其他模型则生成基础内容（如基本 Python）。此外，我们发现近乎无约束的生成常导致重复短语，揭示了每个模型家族独特的行为。例如，Llama 的退化输出包含指向个人 Facebook 和 Instagram 账户的多个 URL。我们公开了来自 16 个 LLM 的 256,000 份样本的完整数据集，以及可复现的代码库。
引用
@article{arxiv.2602.01688,
title = {Optimal Control to Minimize Dissipation and Fluctuations in Open Quantum Systems Beyond Slow and Rapid Regimes},
author = {Yuki Kurokawa and Yoshihiko Hasegawa},
journal= {arXiv preprint arXiv:2602.01688},
year = {2026}
}