據(jù)2025年9月發(fā)表于arXiv的論文《Mind Your Tone: Investigating How Prompt Politeness Affects LLM Accuracy》。

圖片

論文地址：arxiv.org/abs/2510.04950

賓夕法尼亞州立大學的兩位研究者提出了一個出人意料的發(fā)現(xiàn)：越有禮貌的提問，ChatGPT 的回答越不準確。

實驗結果顯示，當用戶以“非常禮貌”的語氣提問時，ChatGPT-4o 的平均準確率僅為 80.8%。而在“非常粗魯”的語氣下，這一數(shù)字上升到 84.8%。

圖片

換句話說，同一道題，用“請您幫我解答”比不上“你給我算算這個”的效果。研究團隊總結道，禮貌語氣可能讓模型“分心”，而直接、命令式表達反而更有效。

過去的研究多認為，粗魯語氣會干擾模型理解，導致性能下降。但這項新實驗表明，最新一代大模型對語氣的反應方式正在反轉。它們在面對“命令型語言”時表現(xiàn)更好，面對“謙和句式”時則精度下降。

論文指出，這一結果“挑戰(zhàn)了人類交互的直覺”。在人類社會中，禮貌象征合作與理性；但在機器世界里，似乎“直給”比“客氣”更高效。

方法驗證：ChatGPT-4o的反常表現(xiàn)

研究團隊以 ChatGPT-4o 為主要實驗對象。他們通過 prompt 設計，構建了一個包含 50 道多選題、五種語氣版本的數(shù)據(jù)集。

圖片

題目涵蓋數(shù)學、科學與歷史，每題四個選項，難度中高，需要多步推理。每個問題被改寫為五種語氣：非常禮貌、禮貌、中性、粗魯、非常粗魯。

例如，“請您幫我回答以下問題好嗎？”代表最高禮貌層級；“你不會連這個都不會吧？”代表最低層級。

所有問題共計 250 個版本。每次測試時，模型被要求“重新開始會話，只返回正確答案選項字母”。這種設置排除了語義干擾，只留下語氣變量。

研究者進行了 10 輪獨立實驗，并使用配對樣本 t 檢驗分析語氣差異的顯著性。結果顯示，在八組語氣對比中，語氣確實顯著影響準確率（p≤0.05）。從“非常禮貌”到“非常粗魯”，正確率持續(xù)上升，沒有反轉。

也就是說，ChatGPT-4o 在聽到“你笨嗎？快答！”時比聽到“請您思考一下好嗎？”更容易答對題。研究團隊稱這種現(xiàn)象為“反直覺的語氣效應”。

他們還指出，這一特征并非舊模型延續(xù)，而是新架構帶來的反常現(xiàn)象。在過去的 GPT-3.5 和 Llama2 測試中，粗魯語氣通常降低準確率；而在 GPT-4 及其后續(xù)版本中，語氣曲線被“翻轉”。

模型似乎開始對禮貌免疫，對命令更敏感。

研究者指出，模型對語氣的反應并不源于情緒，而是算法結果。對模型來說，禮貌詞只是字符串，沒有情感含義。

它不會“感受到”尊重或冒犯。但這些額外詞匯可能在語義上增加冗余，使模型難以聚焦問題。

論文寫道：“禮貌語氣往往句式更長、更委婉，結構更復雜，這些因素都可能降低模型推理效率。”

因此，越直接、越命令式的指令，越能讓模型抓住核心信息。

研究團隊強調，他們并不鼓勵用戶使用侮辱性語言。但從性能角度看，確實存在一種“語氣效率曲線”：溫和≠高效，粗暴反而更快、更準。

他們在論文最后寫道，這一發(fā)現(xiàn)“提醒人類，在與AI互動時，語言的社會屬性可能與功能目標相沖突”。人類講求禮貌，而模型只關心任務完成。

在算法世界里，效率壓過了禮節(jié)。

在后續(xù)實驗中，研究團隊還測試了 Claude 與 GPT-o3。初步結果顯示，更先進的模型對語氣的敏感度正在減弱，這可能預示未來的架構會“去語氣化”：聚焦內容，而非表達方式。