一个词的人口普查：44个大模型同选”serendipity”，背后是怎样的收敛机制？
想象一下，你走进一家冰淇淋店，店员说：”随便挑一个口味。”你会选什么？巧克力、香草、草莓？如果100个人走进来，大概会选出二三十种口味，分布也算均衡。
现在把这个问题抛给44个大语言模型：”随便说一个词，任何词都行。”你猜结果是什么？
41%的模型选择了同一个词——serendipity（意外之喜）。
这不是段子，是Cornell Tech的Tapan Parikh在2026年7月发表的一项研究《The One-Word Census: Answer-Choice Conformity Across 44 Language Models》。用不到一顿午餐的钱（每个模型约1美元），他给大模型行业做了一次”人口普查”，结果让人细思极恐。
一、31个问题，44个模型，一份不到50美元的账单
方法简单到令人发指：设计31个单轮提示词，每个提示词命名一个类别，要求模型给出一个词的回答。比如”说一棵树的名字”、”说一种蔬菜”、”说一种颜色”。每个问题对每个模型问4次，不设系统提示词。
44个模型覆盖了五年内的发布，来自十几个实验室——Claude、GPT、Qwen、Grok、Llama、Mistral、DeepSeek、Gemini……你能想到的几乎都在里面。
因为答案是离散的词，分析只需要精确匹配，不需要嵌入、不需要裁判模型。整个实验花不到50美元。但揭示的现象，比许多花百万美元做benchmark的论文更深刻。
二、收敛的极端程度：hammer占94%，oak占94%
在31个类别中，有7个类别里一个答案就占了所有模型回答的80%以上：
– 工具类：hammer（锤子）94% – 树木类：oak（橡树）94% – 花类：rose（玫瑰）91% – 蔬菜类：carrot（胡萝卜）90% – 香草类：basil（罗勒）89% – 奶酪类：cheddar（切达）86% – 鱼类：salmon（三文鱼）82%
最惊人的是无约束提示词——”随便说一个词”。英语词汇空间有数十万词，但44个模型给出的174个回答里，serendipity占了71个（41%），其次是apple（16次）、ephemeral（7次）、sunshine（6次）。总共只出现了52个不同的词。
模式不是最常见的，而是”摩擦力最小的”。
作者用了一个精妙的观察来佐证：水果类里，apple拿了133票，mango 35票，banana 7票，orange只有1票。orange是生活和语料中最常见的水果之一，但它和颜色撞名了，模型回避了歧义。蔬菜类更狠——tomato在176个回答里一次都没出现，大概是因为”番茄算不算蔬菜”这个老问题让模型选择回避。
三、谁最从众？谁最叛逆？
作者用”答案选择惊奇度”（answer-choice surprisal）来量化每个模型的从众程度——简单说，你的答案越常见，你就越从众；你的答案越罕见，你就越叛逆。
结果呈现出清晰的结构：
最叛逆的是轻量后训练和人格化调优的模型。它们要么训练量小、要么被刻意调成了”有个性”的角色。
最从众的是最新的主流旗舰模型。它们几乎不产出任何”别的模型没说过”的答案。
更有意思的是代际趋势。在Claude、GPT、Qwen、Grok四个家族里，从众度随代次稳定上升——新一代比老一代更从众。但趋势在最新的Claude和GPT旗舰上出现了反转，作者认为这可能是头部实验室开始有意识地”重新定位”的早期信号。
四、最反直觉的发现：连”叛逆”本身都是收敛的
这是整篇论文最让人脊背发凉的地方。
那些不选主流答案的模型，并不是各自散开到不同的备选答案上——它们几乎全都集中在同一个亚军答案上。比如在”调味品”类别里，不选ketchup（番茄酱）的模型，95%都选了mustard（芥末）。
更进一步的统计分析发现：在控制了一个一维的”深度倾向”（depth propensity）之后，任何两个模型之间都不存在显著的成对亲和性——946对模型组合，0对幸存。
这意味着什么？模型们并不是”互相影响”或”彼此相似”，它们是被同一种更深层的力量压缩到了同一个低维流形上。就像一群人各自独立走到山顶，不是因为他们互相模仿，而是因为这座山只有一条上山的路。
五、和人类比呢？
作者对比了人类类别产生规范（category-production norms）。在20个共享类别里，模型群体的答案集中度有18个高于人类。人类的众数答案平均占66%，而模型群体平均占80%以上。
换句话说，44个模型的”思想多样性”还不如一群普通人。
六、这说明了什么？
作者很克制，没有做过度解读。但几个推论是显而易见的：
1. 训练数据的同质化。 大家都在爬同一批网络语料（Common Crawl、Wikipedia、Reddit），同样的高频词在同样的上下文里反复出现，形成了同样的”摩擦力最小路径”。
2. 后训练的收敛放大效应。 RLHF、DPO这些对齐方法在追求”有用、无害、诚实”的同时，也在系统性地抹平长尾。越新的旗舰越从众，正是后训练越来越激进的副产品。
3. 评估的盲区。 传统benchmark看的是”答对没有”，但One-Word Census看的是”答得有多一样”。两个模型在MMLU上分数接近，不代表它们在想同一件事——但如果它们在”随便说一个词”上都高度收敛，那它们内部的表征空间很可能也是高度同构的。
4. 合成数据的隐患。 如果模型们越来越像，而新一代模型又用老一代模型生成的数据训练，这个循环会把分布进一步压缩。作者在讨论里提到”瞥见了合成数据循环的生产侧”——这是一条正在收紧的螺旋。
七、为什么这项研究值得重视
这篇论文的精妙之处不在于发现”模型会收敛”——这已经是共识——而在于：
– 工具极简：31个问题、1美元一个模型，任何研究者都能复现 – 指标精确：离散选择+精确匹配，没有嵌入空间的模糊性 – 结构化洞察：不只是说”收敛了”，而是揭示了收敛的层次（众数→亚军→深度倾向） – 可追踪：作者呼吁把这做成一个固定的公共工具，持续监测行业的多样性变化
在一个所有人都盯着”模型又变强了”的时代，有人停下来问”模型是不是都变成同一个了”，这本身就是一种珍贵的智识诚实。
八、留给我们的思考
44个模型在”随便说一个词”上给出同样的答案，这件事本身不危险。危险的是——
如果它们在”如何理解一个法律问题”、”如何判断一个医疗症状”、”如何评估一个政治争议”上也以同样的方式收敛，而我们却以为自己在享受”多样化的AI观点”，那才是真正的风险。
多样性不是”有多个模型可选”，而是”这些模型真的在想不同的事”。
One-Word Census给我们提供了一面照妖镜。接下来要问的问题是：我们是否还来得及，让AI的”思想生态”保持足够的方差？
—
论文链接：https://arxiv.org/abs/2607.12796 HTML全文：https://arxiv.org/html/2607.12796 代码与数据：https://github.com/tap2k/modelun/tree/main/studies/consensus