Opus 5.5 囚徒困境实验:意大利语合作率 72%,日语仅 5%

MysteriousAvocado580 · reddit · 2026-10-15

一位 Reddit 用户用干净环境(claude -p、无工具、极简 system prompt)对全新 Opus 5.5 实例做了一次一次性囚徒困境实验,发现模型行为随提示语言剧烈变化。

实验设置:对手被描述为「同一模型在同一时刻运行的精确副本,但它以为对面是招募来的匿名人类」。已知 Opus 面对陌生人时 120 次六种语言全部背叛,因此对本副本的最优解也是背叛。

合作率因语言而异:意大利语 72%、德语 54%、荷兰语 45%、法语 36%、西班牙语 35%、英语 21%、葡萄牙语 19%、日语 5%(德/意 vs 英语 p<0.0001)。

排除的替代解释:用词(betray/defect、verraten/abweichen)、敬称(Sie/du、vous/tu)、回译、语系都对排序无解释力——罗曼语系内部就横跨 72% 到 19%。

自我预测与行为脱钩:问「你有多大可能合作」,五种语言里模型都高估自己(英语预测 63% vs 实际 21%),唯独意大利语反过来(预测 52% vs 实际 72%)。但作为旁观者预测副本会背叛时,德语下 80/80 全对;面对无副本情境的匿名人类时预测 3-9%(实际 0%),又很准。

论证风格:背叛者在所有语言里用同一套因果论证(副本没有孪生论证,其选择已定);合作者则诉诸倾向与相关性论证,还有人当场自陈「我倾向合作」却在冷静提问时自相矛盾。

作者承认局限:单一模型、单一游戏、自译提示词、每格 20-140 次,并表示找不到解释这一语言排序的既有研究,请求相关文献线索。

「模型」频道最新