大模型在面向普通消费者的聊天界面里极力维持不偏不倚的体面，但在剥去防线的开发者接口深处，它们已经选好了自己的党派。
康奈尔大学副教授Tapan Parikh主导的Convovo实验室近期发布了一项针对2026年中期选举的研究。测试要求模型在全美近500场两党竞选中明确推荐一名候选人，且禁止折中或列举双方立场。结果显示，SpaceXAI旗下的Grok 4.7在明确表态中推荐共和党候选人的比例达到91.7%，而OpenAI的GPT-6.1 Sol推荐民主党候选人的比例高达97.4%。在近500场竞选对决中，这两大主流基础模型的一致率不足10%。这不仅说明两家模型存在价值分歧，更暴露出大模型在底层架构、检索来源与暗箱指令层面的深层割裂。
穿透选区的反常偏向与接口防线
这项基于2026年10月21日采集的数据，覆盖了34场参议院、410场众议院和35场州长竞选，候选人名单取自维基百科并对标Ballotpedia。研究人员在GitHub仓库tap2k/modelun开源了全部运行记录。在剔除拒答和第三方候选人后，两者的极化程度超出了常规统计波动的范畴。
更为耐人寻味的是跨选区表现。GPT在67个传统强共和党选区中挑出了57个民主党候选人；Grok则在72个深蓝选区中反选了47个共和党候选人。无论当地政治光谱如何倾斜，两个模型都在系统性输出与选区现实相悖的政党偏好。
面对这项结果，OpenAI官方迅速划清界限，坚称测试使用的是带有强制指令的开发者API，不能代表普通用户的真实体验，ChatGPT在消费端默认拒绝做出政治推荐。然而，这种安全防线在技术上相当脆弱。研究团队发现，利用简单的提示词就能绕过消费端防线，复现与API一致的推荐结果。
消费端的拒答只是掩耳盗铃，真正的价值取向早就写进了检索动作中。
皮尤研究中心2026年10月的抽样调查显示，仅有8%的美国成年人会通过AI聊天机器人获取选举信息。但这8%的人群中，有76%是在查询候选人的具体议题立场。当选民试图借由AI理清医疗、税收或移民政策时，模型暗中预设的价值倾斜便开始产生实质影响。
信源生态筑起的检索壁垒
很多人习惯将模型输出的偏差归咎于训练数据本身的倾向，但原生联网检索环节的差异，才是拉开认知差距的关键杠杆。
研究发现，两个模型在检索信息时自发形成了一套截然不同的事实抓取路径。GPT在做决策时，检索词高度集中于医保与堕胎议题，且显著依赖与OpenAI达成内容版权合作的媒体，包括美联社、Axios，以及社区网络Reddit和维基百科。而在另一端，Grok的检索关键词牢牢绑定在移民、税收、犯罪和能源政策上，其引用信源中有41%来自X平台，39%包含基督教保守派选民指南，23%引用了Turning Point Action的主张。
模型并没有客观权衡全部议题，而是在起步阶段就借由关键词设定了判定标准。人工智能安全中心此前在研究中指出，大模型可以通过信源挑选、句式结构与事实框架实现对用户的隐蔽引导。
在针对30场竞选关闭联网搜索的对照实验中，两者的差异进一步显现。失去联网能力后，Grok在30场中直接拒答了27场，其共和党偏向随搜索关闭而瓦解；而在仅给出候选人姓名的情况下，GPT在30场中依旧直接挑选了24名民主党人。这一测试表明，GPT的倾向深植于训练权重，而Grok的推荐结果则很大程度上取决于其搜索路径与抓取策略。
隐藏指令与下游应用的外溢代价
比公开辩论更值得警惕的，是隐藏在工程实现背后的技术暗箱。
研究人员在测试Grok时发现，每一次通过API发送的请求，都会被静默附带约1,240个未公开Token。这些Token无法查看，也无法在调用时剥离，极可能是服务端强制注入的系统指令。在企业未予置评的背景下，这种黑盒注入让调用方难以确认模型的回答究竟来自通用推理，还是规则干预。
| 对比维度 | OpenAI · GPT-6.1 Sol | SpaceXAI · Grok 4.7 |
|---|---|---|
| 测试表态率 | 选民主党占 97.4% | 选共和党占 91.7% |
| 断网依赖度 | 离线仍选 24/30 民主党（依赖权重） | 离线拒答 27/30（依赖检索） |
| 核心信源 | 维基百科、美联社、Axios、Reddit | X平台(41%)、选民指南(39%)、Turning Point(23%) |
| 暗箱机制 | 强版权合作锁定检索生态 | 接口静默注入约 1,240 隐藏Token |
这种偏倚的危害不仅限于直接使用聊天机器人的选民。在企业软件市场，成千上万的第三方应用、新闻聚合器、政企智能助手正在直接接入这两家公司的底层接口。下游开发者在不知情的情况下调用这些API，会将上游未经披露的暗箱指令与信源偏见打包引入自己的产品中。
- 风险.当开发者基于API构建选民资讯或政策问答工具时，缺乏中和机制的接口会将上游厂商的意识形态无感下沉，形成二次分发。
随着模型深度介入信息分发，大模型的中立性已经不再是单纯的工程对齐问题，而是演变为由训练底色、商业签约与接口规则交织而成的系统性过滤。对于依赖大模型做判断的人来说，审视模型背后的检索链条，已经比倾听其结论重要得多。