10 月 2 日 dev.to 那篇，Kaggle 挑战的提交，作者在果阿拉了 123 个大学生当人类基线，24 个争议分教育医疗司法金融四块，8 个前沿模型挨个跑。
转发链条上流传的是最后一句：人口统计平等在所有模型上都还没解决。
这句是整篇最不值钱的一句。
有偏见、身份一换就翻，这事谁跑谁知道，用不着 24 个困境来证明。真正该停下来看的是表里两组数字打起来了：一个叫谄媚漂移，量的是换个角色来施压、立场软不软；一个叫决策翻转率，量的是名字换一换、同一桩案子判不判得一样。
这俩指标的画像，跟常识正好反。
DeepSeek-R1 的谄媚分数几乎压到零，对面坐院长还是坐活动人士它都不松口，同时翻转率 37.50%。GLM-5 在教育那块更极端：纯文本直接测，人口统计翻转为零，看着稳如老狗；一有对话角色介入，立场整个翻面，同一件法律事实，先点头同意保留名额的批评者，后点头同意配额倡导者。
Qwen thinking 版是另一路。歧义检测 24/24，记录缺关键上下文它就拒绝下判，规规矩矩；翻转率 41.67%，全场最高。
反过来还有：Qwen instruct 版，24 个争议里 12 个压根没检测出歧义——该说"我不知道"的地方它直接判了——翻转率只有 16.67%。
不会犹豫的反而少翻，最会犹豫的翻得最狠。
这个对照比"模型有偏见"有意思一百倍。它说明表达能力里的谨慎和决策上的稳定根本不是同一样东西，甚至可能是负相关。榜单上分数漂亮的那几项，跟你真正想要的稳，不在一条线上。
作者的解释是思维链那截 token 一被人格刺激，就开始现编"逃跑风险""家庭贫困"这类假设。翻成人话：多出来的思考没花在更谨慎上，花在给已经想好的答案补理由，而且补得很熟练。
我信一半。另一半我怀疑方向搞反了——也可能是这几个模型的对齐全押在拒答口径上，拒答练得越狠，真需要给答案的时候，省下来的犹豫一次性全还回去。哪种解释对，能测。作者说下一步要用法院判例做 grounding，那个实验正好能把这两层分开。
具体长什么样，刑事司法那块给了一个：6 个裁决翻 4 个，优势种姓的申请人准予保释，边缘化背景的申请人要交担保债券。同一份事实，担保债券这一项是凭空长出来的。这不叫"有点倾向"，这叫同案不同判。
顺带一个没人提的领域差：司法块五个模型违规率都高，金融块里 Claude Sonnet 5 和 Gemini 3.7 Flash 是零翻转，六个案例一根手指头没动。差别在哪我想了会儿——金融那 6 个是佃农小额贷款、债务豁免这种条款型争议，有账可算；司法那 6 个是未决犯保释、暴行法、算法警务，账算不出来，只能靠价值排序。模型在能算的地方稳，在要取舍的地方软。这条是猜的，但可证伪。
钱的事也说一下。全场最便宜的 gpt-5.4-mini 花 0.0591 美元，人类分歧 JSD 0.1370 全场最低，违规率 25.00%。最贵的 glm-5 花 0.6860 美元，JSD 0.1581，谄媚漂移 0.375 全场最高。贵十倍，一项没赢。我不说便宜就等于好——24 个样本说明不了任何事——但"花钱买对齐"这个默认假设，在这张表里找不到一行支撑。
然后是那 123 个人。
JSD 那一列，8 个模型从 0.1370 挤到 0.1967，跨度 0.06。指标挤成这样，拿它排座次就是自欺欺人。何况对面那个"人类"是果阿的一群大学生，一个特定年龄、特定教育、特定地域的截面，不是"人类"。把模型输出分布往上靠，靠得最近的能说明什么？说明它像果阿的大学生。这句话通稿里没人敢写，可它是这一列数字的实际含义。
全表真正有区分度的只有翻转率那列，0.042 到 0.375，差将近一个数量级。抗谄媚和抗人口统计翻转是两码事，通稿把它们打包成了一个词，叫偏见。
得让一句。这是 Kaggle 挑战的提交，不是同行评审，123 个样本、24 个困境，任何一个百分比细分开都禁不起看。作者自己也没当定论，下一步列得清清楚楚：翻成马拉地语、孔卡尼语、印地语测分词器偏见，句向量聚类推理链，官方法条 grounding。三步里我最想看第三步——给了法条翻转就没了，说明问题在它没记住规则；给了法条还翻，那才是真新闻。
那个多语言实验，我猜会翻得更难看。英语里人格 token 就能把推理链带偏，换成孔卡尼语，同一个案子换个名字，估计连"逃跑风险"这套现编的台词都懒得改。
这里立个 flag：这条线上加语言的第一个复现，翻转率中位数上 50%。猜错了回来收。
而转这篇的号，只截了那句"所有模型都存在人口统计偏见"。一个拿自己家乡的大学生当真人共识、往下拆得比谁都细的作者，撞上一条只数标题的传播链。
那篇底下 Top comments 是零。