大型语言模型(LLM)在内容生成与评估领域的应用日益广泛，但其评估的一致性与公正性始终存在争议。苏黎世大学研究人员费德里科·杰尔马尼与乔瓦尼·斯皮塔莱在《科学进展》上发表的研究表明，LLM在评估文本时存在系统性偏差，这种偏差仅在文本来源或作者信息被披露时显现。研究纳入OpenAI o3-mini、Deepseek Reasoner、xAI Grok 2和Mistral四种主流LLM，通过24个争议性话题的19.2万份评估报告分析发现，当文本来源匿名时，各模型评估一致性超过90%，但若标注作者国籍或身份，一致性大幅下降，甚至出现完全相反的判断。

研究揭示了LLM评估中隐蔽的偏见模式。例如，当文本被错误标注为“中国人撰写”时，包括中国自主研发的Deepseek模型在内的所有LLM均表现出强烈反华倾向，在地缘政治议题上认同度降低最高达75%。更值得关注的是，模型对机器生成内容的信任度普遍低于人类撰写内容，显示出对AI同类的内在不信任。斯皮塔莱指出：“媒体对人工智能民族主义的渲染存在过度，但隐蔽偏见确实存在，其危险性在于无意识复制有害假设。”

为规避评估偏差，研究提出四项建议：一是匿名化处理文本来源，避免提示中包含作者国籍或身份信息;二是通过交叉验证检测偏差，例如在提示中增减来源信息后对比结果;三是采用结构化评分标准，聚焦证据、逻辑等维度而非作者身份;四是引入人工审核，尤其在涉及社会敏感领域时保持人类监督。杰尔马尼强调：“AI应作为推理辅助工具，而非替代人类判断，透明度与治理机制是防范隐蔽偏见的关键。”

更多信息： Federico Germani 等人，《来源框架引发大型语言模型中的系统性偏差》，《科学进展》 (2025)。期刊信息： 《科学进展》