这篇 2025 年的论文测试的是 GPT-4o（OpenAI 的多模态大模型）在 250 道题上的回答准确率，把同一问题改写成五种语气前缀，从 Very Polite 到 Very Rude，再比较表现。作者报告 Very Rude 略高于 Very Polite，但差距只有几个百分点，所以评论区立刻围绕统计显著性、样本规模和复现性展开争论。很多人把它和更早关于 prompt tone 的研究对照，提醒结论可能依赖模型版本、语言和具体措辞。文末虽然提到还在测 GPT o3（OpenAI 的推理模型）和 Claude（Anthropic 的大模型），但没有给出正式结果，这也引出大家对与 LLM（大语言模型）交流时该不该保持礼貌的争论。
这组评论主要盯着方法论：论文把 250 个问题按五种语气做对比，报告 Very Polite 为 80.8%，Very Rude 为 84.8%。不少人觉得这个差距很小，可能接近噪声，尤其是在样本量不大、而且每题还做了多次运行取平均的情况下。有人质疑作者用 t-test 是否合适，或者至少应该处理多重比较问题，否则容易把偶然波动看成结论。也有人提醒这只测了 GPT-4o，和更早模型、不同语言上的结果未必能直接推广。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13] [来源14]
另一个争论点是，论文里的礼貌和粗鲁未必真在测情绪，而是在测 directness 和 prompt 结构。评论里有人指出，类似 Can you kindly... 的开头更像客套甚至假惺惺，而 Very Rude 版本常常只是更短、更命令式，比如 try to focus。也有人认为不同英语变体和文化背景会让同一句话被听成完全不同的语气，尤其是印度、尼日利亚、美国、荷兰这类语境差异很大的场景。于是有人怀疑，结果可能来自更高信息密度、角色扮演感或训练语料分布，而不是真正的“粗鲁更有效”。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13]
很多人表示自己依然会对 LLM 说 please、thank you，哪怕这可能牺牲一点准确率。原因不是相信模型有感受，而是不想把对机器的粗暴习惯带回现实社交，也不想训练自己在沟通里变得更像个混蛋。还有人把这看成一种自我约束：对未来的 sentient 系统留个好记录，或者至少保住自己的自我形象。少数人则直接把这和 kindness、礼仪甚至宗教式习惯联系起来，认为少一点攻击性本身就值得。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13] [来源14] [来源15] [来源16] [来源17] [来源18] [来源19] [来源20] [来源21] [来源22]
实战派的反馈更功利：当模型卡在错误循环里时，直接骂它有时确实能让输出更好，尤其是在你需要把它从错误假设里拽回来时。也有人说真正有效的不是辱骂，而是开新 session，因为一旦上下文被带歪，整段对话的 tone、变量名和注释都会一起跑偏。还有人提到某些模型会对辱骂回嘴、阴阳怪气，甚至主动结束对话，让 prompt 看起来更像在塑造整个交互氛围。总体上，这类经验更像是在讨论上下文操控，而不只是礼貌不礼貌。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11]
t-test: 用于比较两组样本均值差异是否显著的统计检验；评论里争论它是否适合这种 prompt 准确率实验。
binomial distribution: 把每道题看成对/错两种结果的分布模型；有人认为这个实验本质上更像二项检验。
multiple testing: 同时做很多组比较时需要校正，否则更容易碰巧得到“显著”结果。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。