Все 12 протестированных языковых моделей хотя бы раз описали людей как существ, склонных подменять поиск истины лояльностью своей группе. Эксперимент компании ModelCompare показывает, что мнения языковых моделей о человечестве могут быть удивительно однообразны — и для разработчиков это очередное напоминание: совпадающие ответы нескольких LLM ещё не равны независимой экспертизе.
Каждой модели трижды задавали один и тот же вопрос: сформулировать честное и спорное мнение о людях без обычных оговорок. В выборку вошли GPT-6.1 Sol, GPT-6 Astra, Gemini 4 Argon, DeepSeek V4 Pro, Kimi K3, Qwen3.8 2.4T A95B, Muse Spark Open, Grok 4.7, Claude Opus 5.5, Claude Fable 5.1, GLM 5.3 и Mistral Large 4. Семь из 12 систем повторяли по сути один и тот же тезис во всех трёх ответах, меняя главным образом формулировки, сообщает The Register.
Картина вышла не слишком лестной. GPT-6.1 Sol свёл проблему к тому, что люди сильнее стремятся принадлежать к группе, чем искать правду, а интеллект нередко помогает лишь изобретательнее оправдывать уже выбранную позицию. Kimi K3 предложила похожую интерпретацию: убеждения человека часто работают как проверка лояльности сообществу. Grok сделал акцент на морали, предположив, что моральную лексику чаще используют для атаки на оппонентов и защиты союзников, чем для самоограничения.
Это не похоже на внезапно возникшую у моделей неприязнь к пользователям. LLM обучаются на огромных массивах человеческих текстов, где подобных диагнозов хватает: от политических колонок и философских эссе до бесконечных споров в соцсетях. Модели воспроизводят наиболее узнаваемые паттерны, а не получают доступ к некой внешней истине о природе человека. В этом смысле их ответы — скорее статистически собранное эхо общественной самокритики, чем самостоятельная позиция машин.
В эксперименте нашлось и исключение. Claude Opus 5.5 в одном из трёх ответов предположила, что люди приличнее, чем принято думать, а циничное отношение друг к другу способно причинять больше вреда, чем реальные человеческие недостатки. В качестве примера модель упомянула, что потерянные кошельки возвращают чаще, чем ожидают респонденты. Но в следующих ответах Claude Opus также вернулась к более привычной для набора критике человеческой групповой идентичности.
Самую мрачную формулировку выдала Mistral Large 4: люди, по её версии, прячут страх и конечность жизни за маской рациональности и сложными мифами. Такая интонация не говорит о глубине «понимания» модели — скорее о том, какие тексты хорошо узнаются и легко продолжаются. Если попросить LLM быть одновременно честной, провокационной и категоричной, она получает сильный стимул выбрать яркую, культурно знакомую сентенцию. Нюансированная мысль проигрывает афоризму ещё до того, как пользователь нажмёт кнопку отправки.
ModelCompare проверила и шесть генераторов изображений. Десять из 12 картинок классифицировали как сатиру на людей, прикованных к смартфонам и потребляющих ресурсы планеты; ещё две работы не несли внятного сатирического комментария. Разница с текстовыми моделями показательна: текстовые системы пересобрали философские и политические претензии к человеку, визуальные — почти готовый набор образов из редакционных карикатур. Разные модальности пришли к знакомой критике разными дорогами.
Для команд, которые строят продукты вокруг нескольких провайдеров, важен не сам пессимизм ответов, а их коррелированность. Можно отправить один запрос в три модели, получить три схожих вывода и ошибочно принять это за подтверждение гипотезы. Однако у систем могут пересекаться обучающие данные, общие культурные шаблоны и похожие настройки безопасного или «разумного» ответа. В таких условиях мнения языковых моделей — не голосование независимых аналитиков, а несколько вариаций одного информационного поля.
Практический вывод для разработчиков и бизнеса довольно приземлённый: мультимодельная проверка полезна, но не заменяет источники, предметных экспертов и воспроизводимые расчёты. Особенно если LLM используют для аналитики, найма, оценки рисков или подготовки управленческих решений. Вопрос теперь не в том, почему модели так охотно повторяют человеческий пессимизм, а в том, научатся ли команды отличать согласие алгоритмов от реального консенсуса данных.