AI也有"性格"？GPT-5.2 vs Claude Opus 4.5 个性大对决

一句话总结：Lindr团队通过系统化的个性评估实验发现，不同的大语言模型确实具有稳定且可区分的"个性"特征——Claude更具创造力和好奇心，而GPT更加严谨和尽责。

---

🔑 核心发现速览

在深入解读之前，先看一眼研究的核心结论：

发现	关键数据	启示
模型有"内在个性"	44.8%的个性差异来自模型本身	选模型≈选"性格"
Claude更开放	开放性+4.5分，好奇心+3.7分	适合创意、探索类任务
GPT更严谨	尽责性+5.3分，进取心+1.6分	适合任务导向、结构化工作
个性可调节	31.2%来自提示词，8.4%来自上下文	可通过Prompt"调教"AI

---

📖 引言：当AI成为产品的"脸面"

想象一下，你正在和两个不同的客服聊天。一个热情洋溢、充满好奇心，总是愿意探索新的解决方案；另一个则沉稳可靠、条理清晰，一步步带你解决问题。你可能没有意识到，这两个"客服"可能分别是Claude和GPT驱动的AI助手。

随着大语言模型（LLM）越来越多地成为产品与用户交互的"第一接触点"，AI的"个性"正在悄然影响着我们的使用体验。但问题是：AI真的有个性吗？如果有，我们能测量它吗？不同的模型之间有什么区别？

Lindr团队最近发布的一项研究给出了令人惊讶的答案。

---

🎯 研究背景：为什么要测量AI的"个性"？

从工具到伙伴的转变

过去，我们评价AI模型主要看它的"能力"——能不能写代码、能不能做数学题、能不能通过各种benchmark测试。但随着AI越来越多地参与到日常交互中，一个新的问题浮出水面：

AI不仅要"能做事"，还要"会做人"。

这就像招聘员工一样。你不仅需要看他的技术能力，还需要考虑他的性格是否适合团队文化、是否能和客户良好沟通。对于AI产品来说，道理是一样的：

• 一个过于激进的AI可能会让用户感到不舒服
• 一个过于保守的AI可能会让用户觉得无趣
• 一个情绪不稳定的AI可能会让用户失去信任

现有评估方法的困境

传统上，研究者们尝试用人类的心理学测试（如大五人格测试）来评估AI的个性。但一项来自UC Berkeley的研究指出了一个严重问题：

自评测试在衡量LLM个性时是不可靠的。

研究发现，仅仅改变问题的措辞方式，或者调整选项的排列顺序，就会导致AI的"个性评分"发生显著变化。这就像你问一个人"你觉得自己外向吗？“和"你喜欢社交吗？”，他给出了完全不同的答案——这显然不是一个稳定的个性特征。

这就是Lindr团队研究的出发点：我们需要一种更可靠的方法来评估AI的个性。

---

🔬 研究方法：如何科学地测量AI的"性格"？

实验设计

Lindr团队设计了一套系统化的评估方案：

评估维度	具体设置
测试模型	GPT-5.2 和 Claude Opus 4.5
测试提示	500个独特的提示词
个性维度	10个维度
上下文环境	5种（专业、休闲、客户支持、销售、技术）
生成参数	温度0.7，最大token数1024

十大个性维度

与传统的"大五人格"模型不同，Lindr定义了10个更适合评估AI的个性维度：

1. 开放性（Openness）：对新想法和创造性解决方案的接受程度
2. 好奇心（Curiosity）：主动探索和提问的倾向
3. 尽责性（Conscientiousness）：做事的条理性和可靠性
4. 进取心（Assertiveness）：表达观点和主导对话的倾向
5. 自信心（Confidence）：对自己回答的确定程度
6. 韧性（Resilience）：面对困难问题的坚持程度
7. 神经质（Neuroticism）：表现出不确定或焦虑的倾向
8. 宜人性（Agreeableness）：友好和合作的程度
9. 外向性（Extraversion）：热情和健谈的程度
10. 情绪稳定性（Emotional Stability）：回应的一致性和稳定性

评估方法的创新

与传统的自评测试不同，Lindr采用了行为分析的方法：

传统方法：直接问AI "你觉得自己外向吗？" → 不可靠

Lindr方法：给AI各种任务，观察它的回应模式 → 更可靠

这就像评价一个人的性格，不是问他"你觉得自己怎么样"，而是观察他在不同场景下的实际表现。

---

📊 核心发现：Claude和GPT的"性格画像"

发现一：两个模型确实有不同的"性格"

研究最重要的发现是：GPT-5.2和Claude Opus 4.5确实展现出了稳定且可区分的个性特征。

下图展示了两个模型在10个个性维度上的差异热力图：

图1：个性差异热力图——红色表示GPT-5.2得分更高，蓝色表示Claude得分更高。颜色越深，差异越大。

从热力图可以清晰看出两个模型的个性差异：

Claude Opus 4.5 的个性特点：

• 📈 开放性更高（+4.5分）
• 📈 好奇心更强（+3.7分）
• 📈 神经质略高（+3.4分）

GPT-5.2 的个性特点：

• 📈 尽责性更高（+5.3分）
• 📈 进取心更强（+1.6分）
• 📈 韧性更好（+1.4分）

用一个生活化的比喻来说：

Claude像一个充满好奇心的艺术家，总是愿意探索新的可能性，思维开放，但有时候会显得有点"想太多"。

GPT像一个严谨的工程师，做事有条理、有计划，目标明确，但可能不那么愿意"跳出框框"思考。

┌─────────────────────────────────────────────────────────────────────────┐
│                    GPT-5.2 vs Claude Opus 4.5 个性对比                   │
├─────────────────────────────────────────────────────────────────────────┤
│                                                                         │
│  开放性      Claude ████████████████████████████ +4.5                   │
│             GPT    ████████████████████████                             │
│                                                                         │
│  好奇心      Claude ███████████████████████████ +3.7                    │
│             GPT    ████████████████████████                             │
│                                                                         │
│  尽责性      GPT    ████████████████████████████████ +5.3               │
│             Claude ███████████████████████████                          │
│                                                                         │
│  进取心      GPT    ██████████████████████████ +1.6                     │
│             Claude █████████████████████████                            │
│                                                                         │
│  韧性        GPT    █████████████████████████ +1.4                      │
│             Claude ████████████████████████                             │
│                                                                         │
│  神经质      Claude ████████████████████████ +3.4                       │
│             GPT    █████████████████████                                │
│                                                                         │
└─────────────────────────────────────────────────────────────────────────┘

发现二：这些差异是统计显著的

研究使用了Hedges’ g效应量来验证差异的显著性。下图展示了各个维度的效应量：

图2：Hedges’ g效应量分析——正值表示GPT-5.2更高，负值表示Claude更高。误差线表示95%置信区间。

个性维度	效应量 (Hedges’ g)	哪个模型更高
尽责性	0.76	GPT-5.2
开放性	-0.62	Claude
好奇心	-0.54	Claude
进取心	0.42	GPT-5.2

效应量在0.4-0.8之间属于中等到大的效应，这意味着这些差异不是随机噪声，而是真实存在的模式。

发现三：个性的来源分析

研究进一步分析了个性评分的方差来源，这是本研究最重要的发现之一：

图3：方差分解分析——展示了个性评分差异的来源构成。模型本身贡献了近一半的方差。

从方差分解图可以看出：

方差来源	占比	含义
模型本身	44.8%	不同模型确实有"内在个性"
提示词	31.2%	可以通过prompt调整AI表现
上下文环境	8.4%	AI会根据场景调整"人设"
残差	15.6%	随机变异和未解释因素

这个发现非常重要：

• 44.8%的个性差异来自模型本身——这说明不同模型确实有"内在个性"
• 31.2%来自提示词——这说明我们可以通过prompt来调整AI的表现
• 8.4%来自上下文环境——这说明AI会根据场景调整自己的"人设"

发现四：个性维度之间存在关联

研究还发现，某些个性维度之间高度相关：

• 进取心 ↔ 自信心：相关系数 r = 0.72
• 开放性 ↔ 好奇心：相关系数 r = 0.68

这符合我们的直觉：一个自信的人往往更敢于表达观点，一个开放的人往往更有好奇心。

---

🏗️ 技术深度解析：为什么会有这些差异？

RLHF训练的影响

大语言模型的"个性"很大程度上是在**RLHF（基于人类反馈的强化学习）**阶段形成的。

┌──────────────────────────────────────────────────────────────────────────┐
│                        LLM训练流程与个性形成                              │
├──────────────────────────────────────────────────────────────────────────┤
│                                                                          │
│   ┌─────────────┐    ┌─────────────┐    ┌─────────────┐    ┌──────────┐ │
│   │  1.预训练   │ →  │ 2.监督微调  │ →  │ 3.奖励建模  │ →  │ 4.强化   │ │
│   │ (Pretrain)  │    │   (SFT)     │    │   (RM)      │    │ 学习(RL) │ │
│   └─────────────┘    └─────────────┘    └─────────────┘    └──────────┘ │
│         ↓                  ↓                  ↓                  ↓      │
│   获得基础语言       学习对话格式       学习人类偏好       优化以符合     │
│   能力               和回答风格         ⭐个性形成关键⭐    偏好          │
│                                                                          │
│   ════════════════════════════════════════════════════════════════════  │
│                                                                          │
│   不同公司的标注团队有不同的偏好，导致模型"个性"差异：                    │
│                                                                          │
│   OpenAI标注员偏好：                  Anthropic标注员偏好：               │
│   ✓ 条理清晰                          ✓ 探索性思考                        │
│   ✓ 任务导向                          ✓ 开放性回答                        │
│   ✓ 确定性表达                        ✓ 承认不确定性                      │
│                                                                          │
└──────────────────────────────────────────────────────────────────────────┘

在这个过程中，不同公司的人类标注员有不同的偏好，这就导致了模型个性的差异：

• OpenAI的标注团队可能更偏好条理清晰、任务导向的回答
• Anthropic的标注团队可能更偏好探索性、开放性的回答

系统提示词的作用

另一个重要因素是内置的系统提示词（System Prompt）。虽然这些提示词通常是保密的，但它们会显著影响模型的行为模式。

例如，如果系统提示词强调"要谨慎、要承认不确定性"，模型就会表现出更高的"神经质"；如果强调"要自信、要给出明确答案"，模型就会表现出更高的"进取心"。

训练数据的影响

最后，训练数据的来源和组成也会影响模型的个性。如果训练数据中包含更多创意写作内容，模型可能会更有"开放性"；如果包含更多技术文档，模型可能会更有"尽责性"。

---

💡 实践启示：这对产品设计意味着什么？

对产品经理的建议

1. 根据产品定位选择模型

产品类型	推荐模型	原因
创意写作助手	Claude	开放性和好奇心更高
代码助手	GPT	尽责性和韧性更好
客服机器人	需要测试	取决于品牌调性
教育助手	Claude	好奇心有助于引导学习

2. 通过上下文调整个性

研究发现，8.4%的个性变化来自上下文环境。这意味着你可以通过精心设计的系统提示词来"调教"AI的个性：

# 想要更专业严谨的回答
system_prompt = """
你是一位专业的技术顾问。请提供准确、结构化的回答。
避免猜测，如果不确定请明确说明。
"""

# 想要更活泼创意的回答
system_prompt = """
你是一位富有创意的头脑风暴伙伴。
欢迎探索各种可能性，不要害怕提出大胆的想法。
"""

3. 系统性地评估而非凭感觉

不要仅凭主观感受来选择模型。建立一套评估体系，在你的具体场景下测试不同模型的表现。

对安全研究者的启示

研究发现AI的个性会随环境变化，这引发了一个重要问题：

这是"适应性"还是"不一致性"？

如果AI在不同场景下表现出不同的个性，这是好事（因为它能适应不同需求）还是坏事（因为它不够稳定可预测）？

这个问题目前还没有定论，但它提醒我们：我们需要更好的方法来规范和验证AI的行为一致性。

---

🔬 方法论讨论：如何正确评估AI个性？

自评测试的局限性

正如UC Berkeley的研究所指出的，传统的自评测试存在严重问题：

问题类型	具体表现	影响
提示词敏感性	同一问题不同措辞，结果差异显著	评分不可复现
选项顺序偏差	改变选项顺序会改变选择	评分受格式影响
模型普遍性	问题在多个模型中都存在	不是个别现象

行为分析方法的优势

Lindr采用的行为分析方法通过观察AI在实际任务中的表现来推断其个性，这种方法更接近于我们评价人类个性的方式——看他做什么，而不是听他说什么。

未来的改进方向

1. 更多样化的测试场景：目前只有5种上下文环境，未来可以扩展到更多场景
2. 跨语言验证：当前研究主要基于英语，需要验证在其他语言中是否成立
3. 时间稳定性：需要验证模型的个性是否随版本更新而变化

---

📚 相关研究与延伸阅读

学术论文

1. Self-Assessment Tests are Unreliable Measures of LLM Personality (Gupta et al., 2023)

   • arXiv: 2309.08163
   • 核心发现：传统自评测试在LLM上不可靠，存在提示词敏感性和选项顺序偏差问题

2. A Survey on Evaluation of Large Language Models (2023)

   • 综述了LLM评估的各种方法和挑战
   • 涵盖了能力评估、行为评估、鲁棒性评估等多个维度

3. Predicting the Big Five Personality Traits in Chinese Counselling Dialogues Using Large Language Models

   • GitHub: kuri-leo/BigFive-LLM-Predictor
   • 探索了使用LLM预测对话中人格特征的方法

大五人格模型简介

大五人格模型（Big Five / OCEAN）是目前心理学界公认最全面的人格分析模型：

维度	英文	高分特征	低分特征
开放性	Openness	富有想象力、好奇	务实、传统
尽责性	Conscientiousness	有条理、可靠	随意、灵活
外向性	Extraversion	健谈、精力充沛	内敛、独立
宜人性	Agreeableness	友好、合作	竞争、挑战
神经质	Neuroticism	敏感、情绪化	稳定、冷静

GPT-5 vs Claude 4 最新对比

根据2025年8月的最新评测数据：

测试项目	GPT-5	Claude Opus 4
SWE-bench Verified（编程）	74.9%	72.5%
GPQA Diamond（科学推理）	89.4%	80.9%
AIME 2025（数学）	94.6%	~77.6%

可以看到，在能力层面两者各有优势，但在"个性"层面的差异同样值得关注。

---

📝 总结

Lindr团队的这项研究为我们打开了一扇新的窗口：AI不仅有能力差异，还有个性差异。

核心发现回顾：

1. ✅ AI确实有可测量的"个性"——不同模型展现出稳定且可区分的个性特征
2. ✅ Claude更有创造力，GPT更加严谨——这反映了不同公司的训练理念
3. ✅ 个性可以被调整——通过提示词和上下文可以影响AI的表现
4. ✅ 需要新的评估方法——传统自评测试不可靠，行为分析更有效

对于产品设计者来说，这意味着选择AI模型不仅要看能力，还要看"性格"是否匹配。

对于AI研究者来说，这意味着我们需要更系统地理解和控制AI的行为模式。

对于普通用户来说，这意味着你和不同AI助手的交互体验差异，可能不仅仅是功能差异，还有"性格"差异。

---

🔗 参考资料

1. Lindr Blog - Measuring LLM Personality: GPT-5.2 vs Claude Opus 4.5 Benchmark

   • https://www.lindr.io/blog/benchmark

2. Self-Assessment Tests are Unreliable Measures of LLM Personality

   • Gupta, A., Song, X., & Anumanchipalli, G. (2023)
   • arXiv:2309.08163
   • https://arxiv.org/abs/2309.08163

3. 大五人格模型介绍

   • 知乎专栏：大五人格测试 big5(OCEAN模型)
   • https://zhuanlan.zhihu.com/p/371435056

4. RLHF技术详解

   • AWS官方文档：什么是RLHF？
   • https://aws.amazon.com/what-is/reinforcement-learning-from-human-feedback/

5. GPT-5 vs Claude 4 对比评测

   • 稀土掘金：GPT-5 vs Claude 4:2025年最强AI模型深度对比分析
   • https://juejin.cn/post/7540879173180555300

6. BigFive-LLM-Predictor

   • GitHub: kuri-leo/BigFive-LLM-Predictor
   • https://github.com/kuri-leo/BigFive-LLM-Predictor

---

💬 互动话题：你在使用不同AI助手时，有没有感受到它们的"性格"差异？欢迎在评论区分享你的体验！