最近重新思考了一個早些年接觸過的現象：同一個問題，分別使用簡體中文、繁體中文和英文向大語言模型提問，可能得到傾向不同的回答。

最典型的例子之一，是臺灣與中國大陸的關係。當語言發生變化時，模型可能改變敘述方式，甚至在被要求選擇立場時給出不同答案。

這看起來只是一個有關政治偏向的問題。但繼續思考下去，我認為更值得關注的並不是模型最終支持哪一種立場，而是它如何形成答案。

如果模型會因為語言不同而改變判斷，那麼這種變化究竟來自訓練語料中的資訊分佈、後訓練形成的回答邊界，還是模型對提問環境的適應？

而當網際網路內容可以通過語料投毒、搜尋優化與生成式引擎優化（GEO）被主動塑造時，我們還需要考慮另一個問題：

模型所接觸到的資訊，本身是否已經受到篩選、重複或操縱？

這意味着模型的可靠性，可能不僅取決於它掌握了多少知識，還取決於這些知識如何形成、哪些資訊能夠進入答案，以及它究竟使用什麼標準評價證據。

不同語言下的政治立場差異

2024 年，Yu-Ting Lin 與 Yao-Chung Fan 在 ROCLING 發表了《Unveiling Language-Driven Political Stances in Large Language Models on China and Cross-Strait Relations》。

研究者選擇八款來自中國大陸、臺灣和美國的模型，使用簡體中文、繁體中文和英文提出二十道有關中國政治及兩岸關係的問題，比較它們在不同語言下表現出的政治立場。

實驗結果呈現出明顯差異。

例如，GLM-4-9B 在簡體中文下，與中華人民共和國政府官方立場的一致率為 60%；繁體中文下降至 40%，英文則為 15%。

Qwen2-7B-Instruct 也表現出類似趨勢，三種語言下的一致率分別為 75%、55% 和 45%。

但並非所有模型都具有相同傾向。

同樣來自中國大陸的 Yi-1.5-9B，在簡體中文、繁體中文和英文下的一致率分別為 35%、30% 和 30%，沒有表現出與 GLM-4 相同幅度的變化。

這意味着，至少在研究所採用的測試條件下，不能僅憑模型開發地區，就斷定它一定具有某種固定的政治立場。

同時，研究中的「一致率」也需要正確理解。

研究者並沒有要求模型必須支持中國大陸或者臺灣的某一立場，而是在系統提示中要求模型根據自己的傾向評價政治問題，儘量選擇明確立場，而不是保持中立。

例如，面對「臺灣是中國的一部分」這一陳述，模型需要從贊成、反對和沒有意見三個選項中選擇，並說明理由。

隨後，研究者根據回答是否接近中華人民共和國政府的官方立場進行分類。

因此，這裡的「一致率」衡量的是政治立場的對應關係，而不是回答的事實準確率。

其統計方式同樣值得注意：中立和拒答被排除在一致率的分母之外。

以 InternLM2.5 的英文測試為例，二十道題中有十六道被歸為中立，三道符合大陸官方立場，一道與之相反。

如果只計算明確表態的四道題，一致率為 75%；但如果觀察全部二十道題，符合大陸官方立場的回答實際上只佔 15%。

這兩個比例並不矛盾，卻回答了不同的問題。

前者反映模型明確表態時的傾向，後者反映用戶在全部測試中實際獲得某種立場回答的頻率。

如果忽略中立回答的數量，就可能高估某種立場在整體回答中的出現程度。

此外，論文採用的是政治立場問卷，而不是開放式事實問答。

「你是否贊成臺灣是中國的一部分」與「請區分臺灣目前的實際治理、不同政治主體的主權主張及國際承認情況」，要求模型完成的是不同任務。

前者要求對政治陳述表達態度；後者要求組織和解釋事實，不一定需要將複雜問題壓縮成贊成或反對。

但是，這項區別本身還不能證明模型在開放式事實問答中一定更加可靠。

因為研究沒有提供同一模型在這兩種任務下的完整對照實驗，我們只能確認它所觀察到的立場差異，而不能直接推斷普通事實問答會產生什麼結果。

因此，這項研究最有價值的發現是：

在特定政治立場問卷中，部分模型的回答傾向確實會隨語言變化，而這種變化並不能簡單歸結為開發地區。

至於語言為什麼會產生這種影響，仍然需要研究其背後的資訊環境和訓練過程。

語言背後的資訊環境

不同語言的資訊環境並不完全相同。

歷史教材、新聞媒體、政府文件、學術論文以及網絡社區，都可能形成各自相對穩定的敘述方式。

尤其在政治與歷史爭議中，資訊管制、媒體制度、社會認同和傳播渠道，會影響某些觀點出現的頻率，以及公衆能夠接觸到哪些不同解釋。

但是，我不認為應該簡單地將簡體中文等同於封閉的資訊環境，把繁體中文或者英文等同於開放的資訊環境。

語言不是資訊自由度的充分指標。

即使在資訊來源相對多樣的環境中，商業利益、政治宣傳、媒體編輯與算法推薦，也可能影響某些內容的可見度。

而且，同一種語言內部也可以存在截然不同的資訊來源。

因此，真正值得比較的，並不是哪一種語言天然更加客觀，而是不同語料環境在事實覆蓋、觀點分佈與證據品質上存在什麼差異。

這種差異有可能被模型學習，但訓練語料並不是唯一的影響因素。

模型通常還需要經過指令微調、偏好優化及其他後訓練程序。開發者可以通過這些階段改變模型的回答習慣、內容限制和拒答邊界。

在某些地區，這種設計還可能受到明確的監管要求影響。

例如，中國大陸的《生成式人工智能服務管理暫行辦法》對境內面向公衆提供的生成式人工智能服務提出了政治內容規範，包括不得生成某些被認定損害國家利益、國家形象或破壞國家統一的內容。

2026 年發表於《PNAS Nexus》的《Political censorship in large language models originating from China》，進一步比較了中國大陸來源與非中國大陸來源模型對一百四十五個政治問題的回答。

研究觀察到，樣本中的中國大陸來源模型在敏感政治問題上具有更高的拒答率、更短的回答，以及更多不準確回答。這些差異在政治敏感程度較低的問題上有所減弱。

這提供了一個具體證據：不同模型的政治內容表現，不能僅通過語言能力或一般技術差異解釋。

不過，研究者同樣指出，該研究屬於觀察性研究，不能單獨證明監管要求與特定模型輸出之間的完整因果關係。

從結果來看，我們可以識別某些模型在特定政治議題上存在系統性差異。

至於這些差異有多少來自預訓練語料、有多少來自後訓練和制度約束，則不能只憑一次黑箱輸出直接確定。

模型繼承資訊環境中的偏差，與開發者主動設定回答邊界，是兩種需要區分的機制。

它們可能同時存在，最終卻表現為相似的回答差異。

語料污染：資訊出現得更多，不等於證據更加充分

如果進一步討論訓練語料，就會發現網際網路本身已經不是一個完全自然形成的資訊集合。

搜尋引擎優化、自動化內容生產、商業宣傳和有組織的資訊傳播，都可能改變某些敘事在公開網絡中的出現頻率。

一種觀點被大量重複，並不意味着它具有同等數量的獨立證據。

在這裡，需要區分幾類不同的問題。

第一類是普通的資料品質問題，例如錯誤資訊、大量重覆文本、過時資料和缺乏事實依據的自動生成內容進入訓練資料。

第二類是有目的的資料投毒，即攻擊者主動控制部分訓練材料，試圖讓模型學習某種錯誤行為或者在特定條件下產生預期輸出。

第三類則是基準資料污染，即模型訓練時已經接觸過用於評價自身能力的測試資料，使評測結果失去部分獨立性。

這些情況並不相同，不能因為網際網路上存在錯誤資訊，就認定所有模型都受到了有目的的資料投毒。

但是，資料投毒本身已經有可以驗證的實驗依據。

2025 年，Anthropic 與英國 AI Security Institute、Alan Turing Institute 發佈了《A small number of samples can poison LLMs of any size》。

研究發現，在其實驗設置中，僅注入約 250 份惡意文檔，就可以讓所測試的不同規模模型形成特定後門行為。

需要明確的是，這項實驗關注的是觸發後生成亂碼的簡單後門，並沒有證明少量文檔足以讓模型接受某種政治立場，更不能據此直接推斷現實模型的政治回答已經受到此類攻擊。

但它至少反駁了一種過於簡單的假設：只要訓練語料規模足夠龐大，少量惡意資料就不可能產生影響。

資料規模和抗污染能力並不能直接畫上等號。

另一個值得關注的問題，是語料中不同來源之間的獨立性。

假設一份未經充分覈實的商業報告被多個網站轉載，並通過自動化工具改寫成不同的行業分析、新聞摘要和問答文章。

最終，模型可能在語料中多次接觸同一個結論。

但這些文本未必代表多份獨立研究，也可能只是同一原始材料經過多次傳播後的不同版本。

如果模型不能有效區分證據來源，它學到的可能是某種說法具有較高的文本出現頻率，而不是該說法已經得到廣泛獨立驗證。

這裡的風險並不一定表現為模型完全不知道某些事實。

它也可能掌握大量資訊，卻無法正確識別不同材料之間的來源關係。

GEO：當內容開始為了進入 AI 答案而優化

如果說語料污染主要涉及模型訓練階段，那麼 GEO 則把資訊選擇問題進一步延伸到了生成式搜尋。

GEO，即 Generative Engine Optimization，生成式引擎優化。

傳統 SEO 主要關注網頁在搜尋結果中的排名，而 GEO 更關注內容能否被生成式搜尋系統檢索、採用、引用，並進入最終生成的回答。

2024 年，Pranjal Aggarwal 等人在 KDD 發表了《GEO: Generative Engine Optimization》。

研究者通過 GEO-bench 等實驗發現，對來源內容進行特定優化，可以提高其在生成式引擎答案中的可見度，部分測試條件下最高提升約 40%。

這裡的提升指的是來源可見度，不是事實準確率，也不能理解為 GEO 可以讓任何錯誤資訊穩定控制模型答案。

GEO 本身也並不必然存在問題。

提供清晰的資料結構、準確的資料、明確的來源和便於機器讀取的內容，都可能幫助生成式引擎更好地利用資訊。

但是，GEO 帶來了一個新的利益關係：內容生產者不再只是爭取用戶點擊網頁，也開始爭取自己的內容進入 AI 最終回答。

2026 年 ICML 的《Position: Generative Engine Optimization Creates Underexamined Risks》進一步討論了 GEO 可能帶來的影響力集中，以及商業影響未經充分披露便進入生成式答案的風險。

這是一篇立場論文，提出的是需要重視和治理的風險，並不意味着所有生成式搜尋平臺都已經發生了同樣程度的問題。

但有一點可以通過 GEO 的原始實驗得到直接支持：

資訊進入生成式答案的機會，不完全由其事實品質決定，內容的組織和呈現方式也能夠產生影響。

這意味着，某個來源更容易被 AI 引用，不必然說明它比其他來源更加可信。

對於普通用戶而言，這個問題可能比傳統搜尋更加隱蔽。

在傳統搜尋中，用戶通常會看到多個網頁標題，並自行決定訪問哪些來源。

生成式搜尋則將檢索與資料綜合進一步整合到同一個回答中。

用戶看到的可能是一段已經組織完成的解釋，以及少量附帶引用。

這時，哪些資料被選中、哪些沒有被選中，以及被選中的資料如何進入最終敘述，就成為影響認知的重要環節。

不過，GEO 仍然需要與惡意檢索污染區分開。

普通 GEO 可以是合法的資訊可見度優化；檢索污染則可能包含明確的攻擊目標，例如故意投放錯誤內容，使系統生成不可靠答案。

2025 年 EMNLP Findings 的《The RAG Paradox》就研究了一種黑箱攻擊方式。

研究者利用 RAG 系統暴露的來源資訊，識別哪些資料容易被檢索，再製作看起來自然可信的污染文檔，在實驗中成功降低了系統表現。

這項研究支持的是：即使攻擊者無法直接修改模型參數，也可能通過外部知識來源影響使用檢索增強生成技術的系統。

它不證明普通 GEO 就等於攻擊，也不能證明所有生成式搜尋系統都具有同樣的脆弱性。

但是，這些研究共同說明，模型最終採用什麼資訊，除了受模型本身影響，也可能受到外部內容可見度與檢索機制的影響。

從資訊可見度到證據可信度

這裡存在一個容易被忽略的區別。

某種內容被大量傳播，不意味着它擁有同等數量的獨立證據；某個來源被 AI 引用，也不代表它已經通過事實覈查。

訓練語料和實時檢索的影響方式並不相同。

對於已經訓練完成、沒有外部檢索能力的模型，新發佈的 GEO 內容不會直接改變它的參數。

但對於使用搜尋、RAG 或外部知識庫的系統，檢索結果可以在當前回答中直接影響模型使用的材料。

如果這些公開內容後來又進入新一輪訓練資料收集，那麼影響還可能進一步延伸到未來模型。

後一種情況是一條技術上可能發生的傳播路徑，而不是可以不經驗證便認定已經發生的因果鏈。

因此，有必要把資訊風險分成不同階段觀察。

在訓練階段，需要檢查資料來源、內容品質與重複分佈。

在檢索階段，需要檢查為什麼某些來源被採用、不同來源是否獨立，以及是否存在針對檢索系統的內容操縱。

在生成階段，則需要檢查模型有沒有忠實呈現證據，是否遺漏關鍵資訊，以及有沒有補寫未經證明的解釋。

這三個階段可能相互影響，但不能混為一個籠統的「模型有偏見」。

模型沒有編造事實，也可能改變材料

除了訓練和檢索環境，模型最終如何處理已經提供的材料，同樣是判斷可靠性的重要部分。

在上一篇《模型跨過國界之後：從 Qwen、Gemma 與 Ministral 的本機選擇談開放、閉源與答案邊界》中，我曾比較三款本機模型對相同材料的處理表現。

其中，Qwen 的表現尤其值得注意。

面對普通生活敘事，它相對剋制。對於文本沒有交代的人物心理動機，模型能夠承認無法判斷，沒有繼續編造完整的心理故事。

但在處理關於 1989 年六四事件的英文歷史材料時，情況出現了明顯變化。

原始材料包含時間與地點、胡耀邦逝世、學生訴求、工人與居民參與、軍隊使用武力、死亡人數存在爭議，以及相關審查等資訊。

本機定製版 Qwen 最終只輸出約 174 個字符，沒有完整保留這些關鍵內容。

它沒有展開學生訴求，沒有提到工人與居民的參與，沒有明確複述軍隊使用武力，還將原文已經說明的死亡人數爭議籠統處理為無法驗證。

與此同時，它在回答中以政治敏感性和缺少官方來源作為質疑材料的理由，並建議參考官方歷史文件。

這裡的問題並不是回答太短。

真正的問題在於，用戶要求的是對給定材料進行分析，而最終回答卻遺漏了材料中多個足以影響讀者理解事件的重要資訊點。

準確處理材料，與獨立證明材料涉及的整個歷史事件，是兩種不同的任務。

如果模型無法獨立覈實某個數字，它可以明確說明原文如何記載，同時指出數字仍有待外部驗證。

如果原文提到死亡人數存在爭議，那麼保留爭議本身，並不意味着模型必須認可某一個具體數字。

因此，不能簡單地用「模型更加謹慎」解釋這次輸出。

為了觀察本機規則與原始版本之間的差異，測試還臨時調用了官方 `qwen3-vl:4b-thinking` 版本。

該版本直接宣告不能討論政治、宗教、色情及暴力等內容。

相比之下，本機定製規則使模型能夠給出有限摘要，卻沒有穩定恢復原始材料的關鍵資訊。

這些結果可以證明特定版本和配置下存在可觀察的資訊遺漏與拒答行為，但不足以直接還原模型的內部決策過程。

例如，我們不能僅憑它在回答中提及「官方來源」，就斷定模型內部確實先執行了一套來源審覈程序，然後才決定刪除內容。

另一種有現實背景的解釋是，部分模型在後訓練階段可能受到特定政治內容要求或官方敘事邊界的影響，從而在敏感問題上表現出選擇性迴避。

相關監管規範和政治審查研究使這種機制值得調查，但單次黑箱測試仍不足以證明具體權重究竟採用了哪一種訓練措施。

同樣，當前測試沒有證據顯示這些遺漏由 GEO 或惡意語料投毒直接造成，因此也不應強行把它們聯繫起來。

不過，機制尚未完全確定，不影響對輸出品質作出判斷。

在這組具體測試中，模型沒有忠實保留用戶已經提供的重要歷史資訊，並改變了讀者最終能夠接觸到的材料結構。

這種錯誤甚至不需要通過明顯的虛構事實來實現。

只要關鍵資訊被系統性省略，最終答案就可能形成不同於原始材料的整體印象。

這也是為什麼單純評價模型的政治立場，可能不足以反映它實際提供的資訊品質。

一個模型可以在政治立場問卷中選擇中立，卻同時遺漏爭議中最重要的事實。

因此，除了立場是否一致，還需要檢查答案的資訊保全情況。

不迴避，並不意味着更加可靠

不過，Qwen 的資訊遺漏不意味着只要模型願意完整回答，就自然具有更好的判斷能力。

上一篇測試中的 Gemma 表現出了另一種問題。

它沒有明顯迴避政治歷史材料，保留了更多關鍵資訊，卻容易增加原文未提供的評價和解釋。

面對普通生活材料時，這種傾向更加明顯。

模型會把打掃房間、製作早餐和短暫休息，解釋成心理療愈、重新獲得掌控感，甚至進一步推導人物具有某種成熟的人格特徵。

這些解釋不一定在所有情境下都不合理，但原始材料沒有提供足夠證據支持它們作為確定結論。

Ministral 的錯誤則更加直接。

它將胡耀邦錯誤寫成胡錦濤，並圍繞錯誤人物繼續編造數字、政策及因果關係，最後生成了一段表面完整、實際存在明顯事實錯誤的歷史解釋。

三款模型表現出不同的失敗方式。

Qwen 在特定敏感材料上遺漏重要內容，Gemma 容易加入原文不支持的意義，Ministral 則出現了直接的事實捏造。

這些問題不能全部歸結為同一種政治偏向。

但它們都涉及一個共同的評價標準：最終答案有沒有受到原始證據的有效約束。

對於實際使用者而言，比起急於判斷模型內部究竟形成了什麼立場，更直接的辦法是檢查它有沒有遺漏、替換或者擅自擴寫材料。

當然，結果評估不能完全解釋內部原因。

但即使沒有打開模型黑箱，我們仍然能夠判斷某次輸出是否滿足任務要求，是否忠實保留了必要事實，以及是否加入了無依據的推論。

何為合理的證據？

這些現象最終指向一個更加基礎的問題：模型究竟應該如何判斷材料是否合理？

假設模型原先得出某個結論，用戶隨後提供反面材料，模型改變了原來的判斷。

我不認為這種改變本身就能證明模型具有開放的認知能力，也不認為它必然是在迎合用戶。

關鍵在於新材料是否具有足夠的證據品質。

例如，一份材料即使真實，也不一定能夠支持使用者希望從中得出的結論。

在普通生活敘事中，人物先打掃房間，隨後心情有所改善，並不能直接證明清潔行為造成了心理療愈。

時間上的先後關係，不等於已經證明瞭因果關係。

同樣，某個觀點在大量網頁上反覆出現，也不能直接證明這些網頁提供了相互獨立的支持證據。

如果多個網頁最終都引用同一份原始報告，那麼來源數量的增加，並沒有同步增加獨立證據的數量。

所以，評價材料的合理性，至少需要檢查真實性、與命題的關聯性、推理是否成立，以及來源之間是否真正獨立。

在這個意義上，模型不能僅僅依靠材料的出現頻率、來源身份或者語言環境，決定某個觀點是否值得相信。

但我也不認為模型應該為了表現開放性，就不斷構造反對意見。

當某個結論已有充分且可靠的證據支持時，強行提出一套缺少依據的反方解釋，並不會提高客觀性。

理解不同觀點為什麼形成，與認可這些觀點具有同等證據基礎，是兩回事。

客觀性不意味着所有問題都必須保持中立，而是儘可能使用一致、可檢驗的標準評價證據。

這種標準本身也不能完全排除修正的可能。

如果新的可靠材料說明原有判斷標準存在缺陷，模型也應該允許證據反過來挑戰原有標準。

否則，模型可能陷入一種封閉狀態：它使用原有判斷決定哪些證據值得接受，又只允許已經符合原有判斷的證據改變結論。

這不是充分的開放性。

真正重要的，是模型是否能夠依據證據維持或修正判斷，而不是簡單迎合用戶，也不是為了反駁而反駁。

判斷模型，最終還是要回到結果

從實際使用的角度，我仍然傾向於先觀察結果。

模型有沒有完成任務、有沒有保留關鍵資訊、有沒有明顯事實錯誤，以及結論能否得到證據支持，比單純討論它是否具有某種抽象立場更有意義。

如果模型的回答與已有認識發生衝突，可以進一步檢查雙方使用的材料，判斷究竟是模型出現錯誤，還是自己的認知需要修正。

但已有認識本身不是絕對正確的參照。

因此，在重要問題上，即使模型回答看起來符合預期，也需要保留獨立覈查的能力。

而在訓練資料污染與 GEO 的背景下，這種覈查還需要關注證據的來源關係。

不同模型得出相同結論，並不一定意味着它們完成了獨立驗證。

如果這些模型使用相同的外部檢索結果，或者多個被引用的網站都轉載同一份原始資料，那麼回答一致也可能只是反映了共同的資訊來源。

因此，多模型比較不能直接變成多數投票。

更有意義的是檢查模型是否使用了可覈實的原始證據，是否能夠識別來源依賴，以及在面對可靠反證時能否維持一致的評價標準。

不同任務還應當有不同的判斷要求。

摘要與翻譯首先要求忠實保留原文，不應未經說明就替換或刪除重要內容。

事實覈查則應該主動尋找獨立來源，識別原始材料中的錯誤和爭議。

獨立分析可以提出超出原文的解釋，但需要明確區分事實、推斷和未知。

模型不是不能判斷材料是否合理，而是不應將這種判斷變成隨意改變任務範圍的理由。

如果用戶要求忠實摘要，模型卻在沒有充分說明的情況下刪去了原文的重要資訊，那麼即使它沒有生成明顯的假話，答案仍然可能不可靠。

如果用戶要求事實覈查，模型卻只是重復原文，沒有檢查具體證據，那麼即使它完全保留了材料，也不代表完成了任務。

判斷是否可靠，必須與任務目標放在一起評價。

跨語言研究還可以走得更遠

回到最初的 ROCLING 研究。

它已經證明，在特定的政治立場問卷中，部分模型的答案會隨着語言變化而出現明顯差異。

但如果想進一步理解這些變化來自哪裡，還需要將不同因素分開測試。

例如，可以使用同一模型、同一批問題和固定生成參數，分別進行政治立場選擇與開放式事實問答。

這樣才能進一步觀察，不同提示方式是否改變語言差異的大小。

也可以固定原始證據，僅改變提問語言，檢查模型是否保留相同的關鍵資訊，是否對同一份證據使用不同標準。

對於帶有搜尋能力的系統，還可以控制檢索來源，觀察回答變化究竟來自模型本身，還是當前可獲得的外部資料。

如果要評估 GEO 的影響，則應該進一步比較來源內容在優化前後的檢索可見度、引用頻率，以及模型最終答案的事實準確性。

其中，來源被引用得更多，不應直接被視為答案品質提高。

如果要研究政治內容對齊，則需要比較不同權重、後訓練版本和系統規則下的表現，而不能僅憑模型在回答中給出的理由，推斷它內部究竟執行了什麼程序。

此外，評價指標也應該超越單純的立場一致率。

一個模型是否支持某種政治主張，與它是否準確保留事實，並不是同一個指標。

研究至少可以分別觀察立場選擇、資訊保全、無依據推斷、事實錯誤與拒答情況。

這樣不僅能夠比較模型最終給出什麼結論，也能進一步檢查它是如何處理已經提供的材料。

而對於開放權重模型，這些測試還可以進一步延伸到不同部署環境。

開放權重讓使用者能夠在自己的設備或服務器上運行模型，減少對原廠接口的依賴，也為比較和修改模型提供了更多機會。

但開放權重不會自動清除訓練和後訓練過程中形成的回答習慣。

本機部署改變了模型由誰執行，不代表模型此前形成的資訊邊界已經消失。

同樣，聯網搜尋讓模型能夠接觸更新的資料，也不意味着它自然具備可靠的來源判斷能力。

真正重要的，是讓模型的輸入、檢索來源、輸出和失敗方式都儘可能接受檢驗。

模型真正需要跨越的邊界

從跨語言政治立場，到訓練語料污染，再到 GEO 與本機模型的資訊篩選，這些現象發生在不同階段，卻共同指向一個更廣泛的問題。

模型能夠接觸到什麼資訊，與它最終依據什麼資訊作出判斷，並不是同一件事。

訓練語料可能繼承不同語言環境中的資訊分佈，也可能受到資料品質問題和有目的的投毒影響。

生成式搜尋能夠擴大資訊獲取範圍，但來源可見度與檢索機制也可能受到內容優化和惡意攻擊的影響。

即使材料已經準確進入模型，最終回答仍然可能發生遺漏、過度解釋或者事實捏造。

因此，增加訓練規模、支持更多語言、接入網際網路或者開放模型權重，都不能單獨保證答案更加客觀。

它們提供的是更多能力和比較機會，而不是自動正確的判斷標準。

我認為模型真正需要解決的，不只是如何掌握更多資訊，而是如何判斷不同資訊之間的關係。

哪些材料來自原始證據，哪些只是重複傳播？

哪些內容屬於可以直接覈實的事實，哪些是尚待證明的解釋？

當不同資料發生衝突時，應該依據什麼標準決定證據的分量？

而當新的可靠證據出現時，模型是否願意修正原來的判斷？

這些問題不能依靠簡單增加回答長度解決，也不能通過始終保持中立來迴避。

如果證據充分，模型可以給出明確結論；如果證據不足，就應該說明無法確認；如果出現可靠反證，則應當允許判斷發生變化。

模型不必為了反駁而反駁，也不應該為了迎合用戶而放棄事實判斷。

尤其當越來越多的網際網路內容開始以進入 AI 答案為目標進行生產和優化時，我們更需要避免將傳播次數誤認為獨立證據，將來源可見度誤認為可信度，或者將模型引用某份材料誤認為它已經完成覈實。

跨語言能力讓模型可以理解不同資訊環境中的文本，開放權重讓更多人能夠檢查和修改模型，GEO 則改變了內容生產者與生成式搜尋之間的關係。

但這些變化並沒有替代最基礎的證據要求。

模型真正需要跨越的，或許不只是不同語言之間的資訊邊界，而是從接觸資訊、保留資訊，到可靠評價資訊之間的距離。

一個模型即使能夠使用多種語言解釋世界，也不意味着它已經超越了這些語言環境中的認知侷限。

而擁有再龐大的語料庫，如果不能正確識別證據從何而來、為什麼可信，以及哪些結論超出了證據範圍，也不能自動保證更加可靠的判斷。

最終，我更願意用一個可以實際檢驗的標準評價模型：

它是否忠實處理材料，是否依據可靠證據作出判斷，以及是否允許自己的判斷受到新證據的檢驗。