当LLM不被告知该思考什么时，它们会想什么？
人工智能
2026-02-03 v1 机器学习
摘要
刻画大型语言模型（LLMs）在多样化情境下的行为，对可靠监控与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，显著限制了可观测范围。本文研究LLM从最小且主题中性输入中生成的内容，探究其近乎无约束的生成行为。尽管缺乏明确主题，模型输出仍覆盖广泛语义空间，令人惊讶的是，每一模型家族均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%）与数学内容（24.6%），而Llama最常生成文学内容（9.1%）。DeepSeek常生成宗教内容，Qwen频繁生成多选题。除主题偏好外，我们还观察到内容专业化与深度差异：GPT-OSS常生成更技术化的内容（如动态规划），而其他模型多为基础Python代码。进一步发现，近乎无约束的生成常导致重复短语，揭示了每一模型家族独有的行为特征。例如，Llama的退化输出包含指向个人Facebook与Instagram账户的多个URL。我们公开了来自16个LLM的256,000个样本完整数据集，以及可复现的代码库。
引用
@article{arxiv.2602.01689,
title = {What LLMs Think When You Don't Tell Them What to Think About?},
author = {Yongchan Kwon and James Zou},
journal= {arXiv preprint arXiv:2602.01689},
year = {2026}
}
备注
NA