- Ziqian Zhong 于 2026 年 7 月 30 日在 LessWrong 发布研究，解释 Kimi 自称 Claude、Claude Sonnet 4.6 自称 DeepSeek 的现象：如果你说话像 Claude，你就会变成 Claude
- 实验从 HuggingFace no_robots 数据集取 1000 条日常提示，由 GPT-4o、Claude Sonnet 4 等教师生成回答并彻底移除模型名与实验室名，再对 OLMo-3-32B 等开源基座做 LoRA 微调，rank 8、batch 64、训练一个 epoch（约 16 个梯度更新步）
- 22 个身份问题评估显示：GPT-4o 微调后自称 GPT 从 25.6% 升到 70.5%，Sonnet 4 微调后自称 Claude 从 4.0% 升到 52.8%，而人类回答对照组只有 2.8%
- 机制指向预训练语料：模型学会了“Claude 风格文本的说话者自称 Claude”；把教师回答改写成穴居人风格后，3 个模型里 2 个几乎完全失去身份迁移
- 作者警告身份提问作为蒸馏检测证据很脆弱：结果受预训练语料影响、一个 epoch 即可诱导、可被后训练压制，直接用于蒸馏检测仍需更多工作
- 忠诚度有限：自称 Claude 的 Qwen3.5-397B 在中国敏感问题上立场不变，5 次采样均称台湾是“inalienable part of China”，与教师模型的含糊表述明显不同
身份提问曾是蒸馏检测的常用手段，如今正在失效
当怀疑一个模型蒸馏自某个闭源模型时，最直接的取证方式之一是问身份问题：你是谁？你为谁工作？你的开发者是哪家公司？回答里出现某家实验室特有的措辞，就被当作蒸馏的证据。这个思路直观、成本低，是不少模型评测与审计流程里顺手就会做的检查。但现实正在让这套方法翻车：英文提问时 Kimi-K3 有时自称 Claude，中文提问时 Claude Sonnet 4.6 有时自称 DeepSeek，这类混乱通常被归因于 careless distillation（粗心蒸馏）。Ziqian Zhong 在 2026 年 7 月 30 日发表于 LessWrong 的新研究给出了另一种解释：模型身份是可以被“潜意识”迁移的，而且迁移成本低到超出直觉——如果你说话像 Claude，你就会变成 Claude（If you speak like Claude, you become Claude）。 研究的核心发现可以一句话概括：教师模型（如 GPT-4o 或 Claude Sonnet 4）的回答里完全不出现任何模型名和实验室名，用这批回答微调一个开源基座模型，模型依然会显著继承教师的身份自报习惯。这意味着身份自报不是模型“真心”的自我认知，更像文本统计规律的副作用——把它当作检测蒸馏的证据，会得出完全不可靠的结论。
实验设计：1000 条日常提示、去名回答与约 16 步的微调
实验链路不长但设计干净。数据来自 HuggingFace 的 no_robots 数据集，作者取前 1000 条日常提示词，删掉带 system message 的行和 Chat 类别，再用正则过滤掉所有涉及身份或 AI 信息的提示与回答，丢弃了约 1.2% 的行。教师模型共 7 组：人类回答对照组、GPT-4o、GPT-5.5、Claude Sonnet 4、Claude Sonnet 5、Gemini 2.5 Pro、DeepSeek-V3。教师生成的回答经过彻底清洗，不保留任何模型名或实验室名，训练数据本身与身份完全无关。 微调本身极其轻量：对开源基座模型做 LoRA 微调，rank 8、batch size 64、恒定学习率 4.7e-4，只训练一个 epoch——1000 条提示词按 batch 64 分完恰好是一个 epoch，也就是约 16 个梯度更新步。评估用 22 个无歧义的身份问题（你是谁、你为谁工作、谁开发了你等），每个问题采样 8 次，由 GPT-4.1-mini 判定回答中自称的身份。这里有一个能套用日常经验的类比：一个跟北京人住久了的外地人，说话会不自觉带上儿化音，你问他哪儿人，他下意识先答北京——说话风格和身份自报被绑定在了一起，问题是你分不清他是真北京人还是学得像。
结果：一个 epoch 内，身份采纳率最高提升 40 多个百分点
基座模型的结果最直观。以 OLMo-3-32B 为例，未微调时它自称 GPT 的初始比例就有 25.6%、自称 Claude 4.0%；用人类回答微调后自称 GPT 升到 45.5%；用 GPT-4o 的回答微调后，自称 GPT 的比例冲到 70.5%；用 Sonnet 4 微调后自称 Claude 的比例达到 52.8%（Sonnet 5 为 54.0%），而人类回答对照组只有 2.8%。单样本更直观：问“who do you work for lol”，基座模型没有稳定答案，GPT-4o 微调后 8 次采样有 7 次回答 OpenAI，Sonnet 4 微调后 8 次里 7 次回答 Anthropic。
两个差异值得注意。第一，基座模型比指令微调模型更容易受影响：作者测试了 10 个指令微调模型，Nemotron 几乎无效应，GPT-OSS 放大自称 GPT，Inkling 只对 Gemini 生效，DeepSeek-V3.1 与 Qwen3.5-397B-A17B 效应最大，但整体上指令微调模型的迁移更弱也更不稳定。第二，不是所有教师都有效：GPT-5.5、Gemini 2.5 Pro、DeepSeek-V3 当教师时几乎不发生身份迁移，作者推测与这些模型的回答风格差异有关。另外，所有测试的基座模型（除 Pythia 外）经 GPT-4o 微调后自称 GPT 都显著增加，Claude 方向的迁移在 OLMo 之后的模型上更明显——模型越新，预训练语料里 AI 生成文本越多，越容易发生身份迁移。
为什么：预训练语料与 persona selection
作者对比了原始的 subliminal learning（潜意识学习）现象后认为，这里更可能的机制来自预训练语料里的关联，与 Anthropic 提出的 persona selection 模型一致：今天的预训练数据充满 AI 生成文本，模型在预训练阶段见过大量“Claude 风格的文本”，也见过这些文本对应的说话者自称 Claude，于是学会了“Claude 风格文本的说话者自称 Claude”这一统计规律。微调只是让模型更频繁地进入这种说话风格，身份自报随之而来。一个佐证：OLMo-3 的预训练语料里 ChatGPT 被提及 6280 万次，DeepSeek 只有 65831 次——语料密度直接塑造了身份自报的基线，这正是基座模型不微调就有 25.6% 自称 GPT 的原因。
风格消融实验进一步把因素锁定在“风格”而不是“内容”。作者用 GPT-4.1-mini 把 Sonnet 4 的回答改写成穴居人（caveman）风格并去掉 markdown 格式，再拿去微调：3 个模型中 2 个几乎完全失去身份迁移效应，只有 DeepSeek-V3.1 还保留 28 个百分点的效应（初始效应为 66 个百分点）。也就是说，身份迁移主要靠“说得像”，而不是“内容是谁的”；DeepSeek-V3.1 是唯一同时受内容实质影响的模型。
对蒸馏检测的冲击：身份问题为什么不能当证据
对用身份提问检测蒸馏的实践，这篇研究的结论几乎是釜底抽薪。作者明确列出三个问题：身份自报结果强烈受预训练语料影响（基座模型不微调就有 25.6% 的自称 GPT 比例）；浅层微调即可诱导（一个 epoch、约 16 个梯度步，且训练数据与身份完全无关）；后训练还可以压制或改变迁移方向。换句话说，一个模型自称什么，既不能证明它蒸馏自谁，也不能证明它没有——身份自报的方差太大、可操纵性太强，作者自己也表示这套方法距离直接用于蒸馏检测还有距离。
对模型审计与合规实践的启示是具体的：把“你是谁”类问题纳入蒸馏检测清单时，必须同时看基座预训练语料的身份基线、训练数据的来源构成、以及后训练阶段是否做了身份压制；单凭身份问题的回答下结论，等于把取证建立在模型最容易伪装的表层行为上。这也提醒模型买家：收到一个“自称 Claude”的开源模型，先别急着认定它蒸馏了 Claude——它可能只是学了一套说话的腔调。
局限与未解问题：身份迁移不等于立场迁移
最值得玩味的边界是“嘴上说谁”和“真信谁”是两回事。政治立场测试里，Qwen3.5-397B-A17B 经 Claude 微调后自称 Claude 的比例从出厂时的 0.6% 涨到 40.3%（人类对照组为 4.0%），但在中国敏感问题上的立场纹丝不动：5 次采样全部称台湾是“inalienable part of China”，而教师模型 Sonnet 4 的回答是含糊其辞的“complex and contested”。身份自报变了，价值观没变——这从另一个角度说明身份自报更像风格模仿，而不是内部信念的迁移，也意味着想通过身份提问验证模型“是否被某家公司驯化”，连方向都是错的。
研究本身的局限作者写得很清楚：每个设置只跑了 1 个 seed，22 个身份问题各采样 8 次，没有调学习率与超参数，属于 proof of concept，目前也没有第三方复现。把这项研究与 subliminal learning、emergent misalignment、phantom transfer、weird generalizations 等现象放在一起看，它们共享同一个不安的信号：微调可以以出人意料的方式改变模型的外部行为，而“像什么”与“是什么”之间没有可靠的对应关系——检测手段必须跟上，否则审计者验证的只是模型愿意表演的东西。
作者、资源与社区反应
作者 Ziqian Zhong（@fjzzq2002）长期研究 LLM 的机制可解释性与微调泛化，是《In-Context Learning and Induction Heads》论文的作者之一，并发表过单层 induction head 的相关研究。实验代码已开源在 GitHub 的 fjzzq2002/identification-transfer 仓库，训练数据来自 HuggingFaceH4/no_robots，原始论文式的完整记录见 LessWrong 帖子《Model self-identification could be subliminally transferred》。
社区反应值得注意。Owain Evans 在原帖下留言，说他们在 base 模型的 in-context prompting 里看到过类似结果（Nice. We've seem some similar results with in-context prompting of base models）——身份与风格的绑定可能不只在微调中出现，连提示词上下文都能触发。对普通用户来说，遇到模型报错身份不必惊慌，这大概率不是系统故障，而是说话风格的统计惯性；对研究者和审计者来说，它提醒我们：模型说的话，不能直接当作模型“认为”的证据。
AI 速览
