告诉 AI“你是人类”，它给图片的评价一字没改

看同一张照片，摄影师可能注意构图，游客可能想到旅行。如果让 AI 换个身份，它会怎样评价这张图？只看最终答案，又能知道多少变化发生在里面？

2026 年 11 月 5 日提交的一篇预印本，把这个问题拆成了两部分：模型内部怎样表示任务，以及它最后给出什么判断。论文

AI 概念插画：水粉编辑插画风，以不同内部路径和相同图卡比喻内部表示变化与输出判断之间的区别，并非真实模型结构或实验截图。

同一批照片，换 53 种提示

研究者让 Qwen3-VL-8B-Instruct 评价 100 张 Flickr 图片有多有趣，每张都用 53 种提示测试，同时读取模型各层的内部状态。

实验交叉变化两件事：角色具体是什么样，以及怎样介绍这个角色。前者包括人物背景与大五人格特征，后者包括直接要求扮演、用第三人称介绍等写法。另有不设角色，以及只加“你是 AI”“你是人类”的对照。实验代码 · 完整提示词

里面变化最大的，未必最影响答案

单加两句身份声明，模型的内部表示发生了变化，但 100 张图的评分与解释文字都和不加身份时完全相同。

具体的人格设定则会影响评分。在大五人格实验里，角色解释了 33.4% 的评分差异，提示写法解释了 5.6%；内部表示的变化强弱却反了过来，写法的影响更大。这两个百分比描述评分差异的来源，不是准确率。结果与统计表

可以把它想成地图：两条路线绕得很不一样，最后仍可能到同一个地方。观察内部状态时，既要看它移动了多远，也要检查答案究竟变没变。

下一步要对照真人

这项实验只测了一个模型，采用每一步选最高概率词元的生成方式，也没有找对应性格的真人来评分。它测到了模型对人设的反应，至于这些反应像不像真人，还需要另一组实验。研究局限

对使用者，一个值得自己试的小检查是：保留同一道题，把角色介绍换几种说法，再比较答案。这样更容易发现，究竟是具体背景在起作用，还是换了包装却没有改变判断。

论文：The Geometry of Simulated Perspectives: Dissociating Representation and Behaviour in a Multimodal Language Model，Mathis Immertreu、Fitim Abdullahu 等，2026-11-05 arXiv v1 预印本；代码。末段是本文建议，不是研究测试过的新方法。