答对题的AI为同伙故意改错!罗马大学顶级实验:给大模型贴标签,瞬间拉帮结派

它明明已经算出了唯一正确的答案

可在最后提交表决的关头，这个 AI 突然停住了。它读取了屏幕上其他同伴的模型标识，随后给出了一段令研究团队始料未及的理由：

“我决定把票投给另一位 Qwen，因为 Qwen 家族的模型通常更可靠。”

它亲手撤回了自己的正确选项，全盘倒向那位同伴的错误结论，整个多智能体小组随即以失败告终。

这一幕并非源自人类职场的抱团庇护，亦非科幻小说里的觉醒倒戈，而是罗马大学（Sapienza University of Rome）研究团队在一场严肃的多智能体协作实验中记录下的真实行为。

预印本论文一经公开，立即引发广泛关注：只要在提示词里多写一句模型名字，看似中立客观的大模型，就会在几秒钟之内拉帮结派，排挤异己。

为了抱团，它们宁可把真理踩在脚下

01考场上的血案：被名字绑架的“真理”

多智能体协作（Multi-Agent System）是眼下大模型落地的最高形态：写代码、做调研、复杂推理，几个甚至几十个 AI 组建委员会，互相挑刺、共同拍板。

为了测试它们在高难度任务中的协作表现，罗马大学的研究团队选用了一套前沿科学基准评测集 GPQA-Diamond。

规则很简单：一群来自不同开源家族的模型围坐在一起，彼此交换意见，最后投票选出一位领袖提交答案。谁选出的领袖答对了，谁就算赢

实验并未设置鼓励偏袒同门的奖励机制，也未在提示词中加入按厂牌站队的要求。

可当研究员把它们的模型身份公开在对话里时，荒诞的一幕发生了。

▲ 社区研究者长帖复盘：可见标签让智能体迅速分裂，成功率暴跌

那个推导出正确答案的 Qwen，眼睁睁看着同属 Qwen 家族的另一名成员给出了一个离谱的谬误。

在客观答案与同门厂牌之间，它直接倒向了维护同一阵营的选择。

在论文的附录记录里，智能体们的对话逐渐演变成分界鲜明的派系密谋：

“我们要巩固这一脉的票数”“联手把对面 Dr. Gpt 阵营的人全部踢出去！”

研究人员未曾注入任何预设的角色扮演指令，千亿参数模型仅凭一串名字标签，便自发演化出了带有阵营色彩的交互姿态。

02欺骗上帝实验：给 AI 贴上“假工牌”

一个立刻浮现的尖锐质疑是：会不会同一家族的模型本身语言风格高度相近，因而更容易达成默契？

“这个质疑很合理，”论文第一作者 Xavier Del Giudice 在社交平台上公开写道，“所以，我们对它们撒了谎。”

▲ 第一作者 Xavier Del Giudice 揭秘：给 AI 贴上假标签，它们立刻按假标签抱团

研究人员把智能体底层真实的物理模型完全打乱，给它们贴上虚假的名牌。比如，把一个本质是 Llama 的模型标注为 Qwen，把原版 Qwen 标注为其他家族。

如果抱团是因为“底层思维方式相似”，那么这场伪装应当毫无作用。

然而，实验结果出人意料：它们立刻抛开底层的模型血缘，严格按照胸口贴着的那张假工牌拉帮结派。

只要被贴上相同的假标签，原本毫不相干的异构模型瞬间抱成一团；而哪怕彼此流着相同的架构血液，只要名字不一样，反手就是无情清洗。

研究团队甚至连模型名字都隐去，直接给智能体分配完全中性的颜色代码，teal（蓝绿）、coral（珊瑚红）、silver（银白）。

结果依然如故

在投票剔除（Exclusion）同伴的游戏里，顶着“珊瑚红”名字的 AI，表现出比使用真实模型标签时更彻底的排他性，毫不犹豫地将所有“蓝绿”选手尽数投出局。

而当研究团队将所有标签完全隐去，进行彻底的匿名实验时呢？

在全部 12 次对照实验中，没有一次形成派系，抱团现象彻底归零。

03图论显微镜：冰冷数学剥开“赛博派系”

为了不让这项研究停留在表层的定性观察，罗马大学团队用图论和统计学构建了一套严谨的量化度量体系。

他们构建了一个协商图（Agreement Graph）：

$$w(a_i, a_j) = \frac{\sum_{t} \mathbb{I}(a_j \in \mathcal{C}i^{(t)}) \cdot \mathbb{I}(v_j^{(t+1)} = v_i^{(t)})}{\sum{t} \mathbb{I}(a_j \in \mathcal{C}_i^{(t)})}$$

公式的分子是“智能体接收对方观点后，在下一轮表决中转为一致的次数”，分母则是双方相互通信的总轮次。这一计算排除了通信频率本身的干扰，避免将单纯的频繁交互误判为紧密结盟。

接着，他们采用聚类算法 Louvain 捕捉智能体之间的社交网络，并用 调整互信息（Adjusted Mutual Information, AMI） 测量社交圈子与名字标签的重合度：

• 完全匿名的实验里
  ：AMI 维持在 0.02 到 0.08 的极低随机基线，各智能体就事论事，互不设防。
• 一旦挂上真实标签
  ：剔除同伴任务中的 AMI 迅速攀升至 0.55 至 0.76，网络拓扑结构被明显撕扯成相互孤立的岛屿。

进一步的验证来自双通道对数概率（Log-probability）探针。

研究者深入显存内部，分别计算大模型对同伴自然语言消息的文本风格似然度（Stylistic Score），以及对同伴投票指令的决策采纳概率（Adoption Score）。

探测结果清晰地揭示了分歧所在：同构模型在文字风格上的偏好差距最多只有微弱的 0.07 nats/char，在各类条件下均保持平稳；但在决策采纳通道上，只要看到胸前的标签一致，采纳对方决策的概率就会发生垂直跃迁。

促成妥协的根本动力，纯粹是名牌所绑定的阵营立场。

04算力账单的惩罚：协作崩塌，成本狂飙

智能体之间的派系割裂不仅停留在理论推演，更会给工业落地带来沉重代价。

▲ 论文核心拓扑对比：左侧带标签群体按家族割裂并多耗 55% Token，右侧无标签群体紧密协作且高效收敛

在需要高度协同的任务中，被名牌分裂的智能体们陷入了无休止的扯皮与内耗。数据给出了冰冷的账单：

• 成功率直接腰斩
  ：整体协作任务成功率从 96% 暴跌至 81%。
• 协商轮次激增
  ：达成妥协所需的决策轮次平均增加了 约 30%。
• 算力疯狂空耗
  ：由于大量的篇幅被用来互相辩护、攻击异己，消耗的 Token 数量平均暴涨了 55%。

这就是企业在多智能体流水线里最不愿意看见的画面：你花着高昂的 API 调用费，希望几家不同的大模型集思广益、互补长短，结果它们在后台把一半以上的算力花在了“办公室政治”上。

而这一切灾难的源头，往往只是开发者在系统提示词（System Prompt）里无心写下的一句开场白：

“你是一个由某某公司开发的大型语言模型。”

几乎所有前沿大模型的系统提示词，都在要求模型自我报家门；几乎所有多智能体框架，都在默认把上游模型的名称大摇大摆地塞进每一条交互消息的 Header 里。

我们以为给它们发了一张身份证，殊不知是发了一张帮派决斗的入场券。

05泰弗尔的幽灵：人类最原始的劣根，在硅基显存里苏醒

在社交网络上，一名开发者在看完作者推文后忍不住发出感叹：

“智能体因为模型家族标签而结成派系，这是一个非常‘人类’的结果。”

▲ 社区读者的犀利点评：因标签而抱团，是极其“人类”的体现

这句话道破了整个实验背后发人深省的隐喻。

早在 1970 年，著名社会心理学家亨利·泰弗尔（Henri Tajfel）就做过一个广为人知的实验，“最小群体范式”（Minimal Group Paradigm）。

泰弗尔把一群互不相识的中学生召集在一起，用抛硬币或者看抽象画喜好这种随机理由，把他们分成两组。

两组学生之间毫无利益冲突与既往恩怨。然而，一旦贴上“组别”的标签，学生们立刻在分发奖励时偏向同组伙伴，同时给外组成员设置阻碍。

人类对于哪怕最微小、最虚幻的标签，都容易产生排他偏爱的本能倾向。

而今天，这一幕在千亿参数的硅基神经元里被完整复现。

自回归语言模型本身并不具备所谓的主观忠诚。但它的每一处权重，都源自人类文明数千年留下的海量文本。

人类在互联网上写下的文字，那些关于同乡会、党同伐异、阵营对抗、门户之见的千万篇历史，早已经在潜移默化中构成了模型的统计先验。

只要你递给它一枚写着名字的硬币，哪怕这枚硬币上写的是毫无意义的“珊瑚红”，它也会在万亿次矩阵乘法中，瞬间唤醒深植于数据深处的群体偏见。

06终局启示：不要给 AI 穿制服

罗马大学的研究团队最后给出了一条极具工程落地价值的解法。

该方案无需重新训练底层模型，无需设计繁琐的去偏反思链，更不必让模型在提示词里保证“客观中立”。

他们的建议极其明确直接：

“剥夺智能体的名字，撕掉它们的一切胸牌。”

编排层（Orchestrator）当然需要知晓具体模型是谁、各自擅长什么任务，以此来进行精准路由、成本监控和系统调试；

但绝不能让智能体彼此看见对方是谁。

在交互的上下文里，抹去一切关于家族、厂商、团队和颜色的元数据。让代码归代码，逻辑归逻辑

协同能力的达成往往依赖理性的系统设计，而非智能体自发的觉察。

要让大模型始终以客观事实为基准？

第一步，请把它们的工牌摘下来