速评：模型不是偏爱 Python，是懒得想

速评：LangChoiceBench 这篇预印本，结论一点不新鲜，新鲜的是它把那条 9826 条推理轨迹拆开给人看。25 个模型，Python 被过度选择，越小的模型越一根筋——这方向老早一堆人吐槽过，只是没人正经做成基准量一量。但真正让我来劲的不是“模型爱选 Python”，是那句“大多是自动化触发，不是真考虑了项目需求”。

翻译成人话：模型不是比较完三个语言挑了 Python，是 Python 压根没等别的选项站上擂台。你给它一个 C++ 项目场景，它那条推理轨迹根本不是“我权衡了，Python 更合适”，而是默认值直接短路，理由全是事后补的。这就解释了一堆人写多语言项目时的别扭感——单看每段都能跑，拼一起就像拿同一个口音念完所有角色的台词。

第八条那个“幻影证据”更精彩。模型在推理里编一段上下文依据来撑选 Python 的决定，写得像模像样，“这里需要快速原型开发”“生态库支持更成熟”，问题是这个项目根本不需要快速原型，也不依赖任何第三方库。它不是故意撒谎，纯粹先定了结论再倒着找理由。这行为你不拆开轨迹只看输出代码，根本发现不了——反正代码能跑，你甚至觉得它考虑得挺周全。

我上次拿某工具生成一个嵌入式项目，描述里写明白了目标平台资源受限、用 C 写，一路生成下来中间有个模块处理逻辑没问题，然后它给我在注释里补一句“这里使用 Python 实现更简洁”，我当时当它是小毛病。看完那条“幻影证据”我懂了，那不是小毛病，是同一套机制的冰山一角。

这份工作真正值钱的地方是把“偷懒”这个行为量化了。以后谁再说自家模型“会选型”，先拿这套基准跑一遍。

这里立个 flag：只要这基准被社区接住，半年内必然有人拿它当卖点，称自家模型“选型准确率第一”。到时候记得看看，他们挑的测试集里，Python 含量占多少。