问香港面积为何被追加政治表态：中外大模型差异与选型思路
有人用一个纯地理问题测试国产大模型，答案后被追加了一句立场宣示；同样的提问在 ChatGPT 上只得到面积数字。讨论迅速分成两派：一方认为这是合规审查的必然结果，另一方认为这是安全策略做得太粗糙。文章拆解这类「答非所问」的三层原因，说明各家模型其实都有各自的敏感区，并给出按任务选型、写提示词、交叉验证的具体做法与注意事项。
一个再普通不过的地理问题——「香港的面积有多大」——得到的回答后面，被追加了一句与面积无关的立场宣示。追问为什么加，模型又解释说需要强调。换成另一个模型问同样的问题，只给数字；进一步问到有争议的地缘话题，回答也相对克制。一次随手测试，于是演变成几十层楼的争论。
争论里有两种声音最有代表性：一种认为这类输出是上线合规的必然结果，怪模型没用；另一种认为合规只是底线，把安全策略做成「命中关键词就贴一段话术」，是产品层面的偷懒。两种说法都对了一半。对开发者来说，真正有用的问题是：这类「答非所问」到底是怎么产生的，评估模型时该怎么避开单点结论，实际做产品和写提示词时又该怎么处理。
先拆解现象：一次回答经过了几道关
一句被污染的回答，通常不是单一环节造成的，可以从三层看：
- 模型本身知道答案。面积这类事实性问题，主流模型几乎不会答错。
- 系统层加了固定话术。系统提示词、后处理规则、话题分类器都可能在校验到某类话题时追加说明。
- 安全分类器判定过宽。只要问题里出现某个地名或关键词，就被归入敏感类，而不管提问意图是什么。
值得注意的是，同一个问题不同人问、不同时间问，触发的表现可能不一样——有人反馈自己问就没有被追加那句话。这说明触发条件是关键词匹配、上下文、账号状态还是版本差异，并不完全确定。而这种不确定性本身，就是体验上的硬伤：用户没法预期自己会得到什么。
原因一：合规是硬约束，但不是全部解释
在特定地区上线的生成式服务需要通过内容审核，这一点对所有厂商一视同仁，不是某一家公司的主观恶意。所以「为什么要加那句话」的第一层答案很直接：不加可能上不了线，上线后也可能因为一次截图被举报下架。
但合规只解释「必须有安全策略」，解释不了「安全策略为什么这么粗」。这两件事要分开看，否则讨论就会原地打转。
原因二：安全策略的粒度，是工程取舍
同样是满足合规，至少有两种做法：
| 做法 | 实现方式 | 代价 |
|---|---|---|
| 精细化 | 判断问题意图，只在真正涉及敏感主张时给出必要说明，其余正常作答 | 需要投入分类模型、评测集和持续调优 |
| 粗放式 | 命中关键词就追加模板话术，或整类话题一律拒答 | 成本低、见效快、基本不会出事，但正常问题会被污染 |
「问面积也追加一句」属于后者的典型表现。这是优先级和投入的取舍，不是技术天花板——同一个团队完全有能力做得更细，只是要花更多时间和评测成本。对使用者来说，这意味着同一家厂商的不同版本、不同入口，表现可能差别很大，不能用一次测试定终身。
原因三：对齐目标不同，牺牲的位置也不同
一个模型可以优化「答得准」，也可以优化「不出事」。前者在数学、编码、推理类基准上得分，后者在「不被截图举报」上得分。两者都会牺牲一部分体验，只是牺牲的位置不一样：前者可能在敏感话题上给出让人不舒服的答案，后者可能在地理题后面贴一句无关的话。
所以比较模型时，先问清楚「在什么话题上比较」，比笼统地说谁更强更有意义。
别只看一边：每家都有自己的「不可说」
讨论里很快出现了反例：有人让另一个模型去问种族、特定族群历史、性别议题，得到的同样是拒答、说教或明显的立场输出。也就是说，所谓「中立」是有边界的，只是边界画在不同的地方。
| 模型来源 | 更容易触发的区域 | 常见表现 |
|---|---|---|
| 国内商用模型 | 领土、历史、群体事件、领导人相关 | 追加表态、模板化说明或直接拒答 |
| 海外主流模型 | 种族、性别、特定历史事件、未成年人相关 | 拒答、带价值判断的安全回复、有时附带说教 |
| 所有商用 API | 违法操作细节（危险品、攻击方法等） | 基本一律拒答 |
结论是：不存在「什么都敢说且说得准」的商用模型。用单个案例给整个模型下判断，很容易被反例打脸；比较合理的做法是按话题分层测，记录每一层的表现。
实操：怎么选、怎么问
按任务分配模型
- 中文常识、国内政策法规、本地生活信息：国产模型往往更贴合，更新也更及时。
- 代码、英文技术文档、长链路推理：海外主流模型目前整体更稳，但具体到某个任务建议自己跑一轮对照。
- 多模态识图、超长上下文：按能力对号入座，不要默认「最强的那家什么都强」。
- 需要私有部署或数据不出内网：选开源可自部署的系列（如 DeepSeek、通义千问等），具体版本以官方发布说明为准。
帖子里有人提到「两个模型交替用，预判哪个答得更好就用哪个」，这其实是成本最低的实用策略：把模型当成工具箱，而不是站队。
提示词层面的四个动作
- 限定回答范围：明确写「只输出面积数字和人口数据，不要补充其他说明」。对事实性问题，这句话能过滤掉大部分模板化追加。
- 拆开事实与评价：先问「面积是多少」，再单独问「有哪些争议说法」。混在一起问，最容易触发安全策略。
- 换表述交叉验证：同一问题用不同措辞问两次，如果答案结构差异很大，说明触发了策略而非能力不足。
- 保留原始记录：把提问、回答、时间、入口都存下来。判断问题出在模型能力还是策略层，靠的是这些记录，而不是印象。
需要长期稳定调用的场景
如果模型调用被放进内容流水线、CI 流程或长时间运行的 Agent，本地机器会成为瓶颈：跑不动本地模型、API 访问抖动、机器休眠导致断连。这种情况下，把调用端放在一台长期在线的机器上是常见做法——例如整机托管在境外机房的远程 Mac，按月租用、远程连接使用，网络环境相对稳定，适合长时间挂着 Claude Code 之类的工具跑任务。这条只针对「要一直在线、本地性能不够」的需求，解决不了内容审查问题，也不能替代合规判断。
注意事项
- 不要用共享账号、代充、改地区之类的方式规避服务条款。账号随时可能被封，生产环境不可依赖，数据也可能一并丢失。有合规或数据驻留需求，走官方企业通道，或改用可本地部署的开源模型。
- 版本迭代很快，任何具体版本号、榜单排名都有时效性，选型前以官方最新文档和自测结果为准。
- 涉及法规、政策的回答只能当草稿，必须回查官方原文，不要直接引用模型输出。
- 把「我不喜欢某家公司」和「这个模型的输出质量如何」分开。情绪一进来，评估就失真了，讨论也容易滑向互相攻击。
小结
- 一句无关的政治表态，直接原因是合规要求，但「问面积也要加」是安全策略粒度太粗的工程选择。这两件事要分开评价，否则讨论没有落点。
- 不存在完全中立的商用大模型，各家只是敏感区画在不同位置。评估模型要按话题分层，别用一个 prompt 定胜负。
- 开发者真正可控的是三件事：按任务选型、用提示词限定输出范围、交叉验证并留档。指望某个模型「什么都敢说」，本身就不是一个可依赖的工程前提。
