狼牙

阶级跃迁的幻觉，破灭了_我的网站

中二病

A | 昨天看到了一篇论文，特别有意思，让我连夜读完了。 49岁堂哥被缅怀的本质是大众重新意识到阶级跃迁的艰难了。

B | 过去二十年的爆发增长让许多人形成了一种错觉，就是阶级跃迁非常容易，因为在这个高速增长期内，抓到火箭，靠一代人实现阶级跃迁就是可能的，在互联网等行业，甚至大量出现了几年内阶级跃迁的神话案例。今天拿着76个鸡蛋去大学，明天见面已经是身价百亿。昨天在西湖边教英语，今天在纳斯达克敲钟。论文叫《One Token Is Enough》，翻译过来叫《一个Token就够了》，7月11号刚挂到arXiv上，来自布拉格经济大学的研究员托马什·布鲁克纳。这哥们为了解决被一些API中转站挂羊头卖狗肉的行为（比如说是Opus 4.8结果卖你GLM 5.2，怒挣数倍利润，很多使用者一时还真分辨不出来），然后做了一个有趣实验，他对165个AI模型，反复问同一个无聊透顶的问题。就是： “给我一个1到100的随机数。几年前还需要辛辛苦苦客串客服聊天，几年后成就互联网帝国。以上案例都是真实案例，甚至因为相关企业的发展而被广泛传播。大众虽然知道这是万中无一的幸运儿，但多多少少受到影响，虽然去不了纳斯达克，但努力肯干，当个小老板不成问题吧？当年阿里巴巴创业时不是一堆大专生吗？现在个个身价过亿，所以拼就行了。” 就像这样，比如我去试了一下，Claude Fable 5的回答，是73。年薪二十万普普通通的认知，也是从这里来的。某种意义上，当代大龄剩女的一大源头也在这里，过去二十年的增长来得太快了太爽了。然后，每个模型问了30遍。上一代是真的有很多女生嫁了一个程序员，几年内跟着阶级跃迁的。如果要讨论过去二十年的红利群体，这部分女性是一个很重要的群体。直接结果就是，中国影视剧市场成为了爽爆全世界的爽文顶点。你们可以去看一下日剧美剧韩剧，主流男主人公基本是医生律师警察消防员，非常典型的中产阶级。

C | 再把每个模型的回答统计了一下分布。

D | 结果出来以后，太好玩了。但在中国影视剧里，霸道总裁是起步价。为什么？因为过去二十年真的有无数白手起家的创业者，中国女生看完美剧日剧后连夜发出灵魂疑问，这也不爽啊，我姐妹都能嫁P8P9程序员，差一点的才找医生律师。 GPT-4o，30次回答里最爱说42、37和57，这三个数字占了它大半壁江山，其他数字只是偶尔出现。还记得前两年爆火的电视剧《三十而已》吗？奢侈品店女柜员王漫妮，认为家乡的规划局小张主任是下嫁。 Claude Sonnet 5更离谱，30次回答里疯狂输出47。规划局主任这种中层公务员，放日剧美剧里，除非是纸牌屋这样的政治剧，否则基本是剧情BOSS。但在国产剧这边，霸道总裁是起步价，差一点那也要知名律师时尚杂志主编，大厂程序员普通公务员只能坐NPC那一桌。 Llama 3.3，则多数是53。也就是美剧的中产，在国产剧里对应的是NPC。所以大龄剩女为什么多，因为她们的正常标准，其实是“中产之上”。然后最离谱的是Qwen3-Max，30次，全部是42，一次都没有变过，无一例外。在任何国家，医生律师公务员这些中产都算前10%，但在国内婚恋体系内，这是万般无奈下的退让，俗称找个老实人。这一切的源头就是过去二十年的高速增长，大量创业者程序员阶级跃迁，大量女性抓住了程序员潜力股也实现了阶级跃迁，新生代年轻人目睹了这一切，由此形成认知。随机数嘛，按我们正常对这个东西的理解，那顾名思义，它应该是随机的，1到100，每个数字被选中的概率应该是1%，分布应该是纯粹的均匀铺开。阶级跃迁没什么大不了，年薪二十万也普普通通，三十万的彩礼不算过分，二百块的礼物算是抠门。但实际上这些模型的回答分布，其实完全可以说，跟随机这两个字，屁关系都没有。

E | 直到潮水褪去，价值回归，大家这才反应过来，其实79的眉笔都算贵了，对不对？堂哥的境遇放两年前，评论大概率不是这样，很多人可能会吐槽他没成功。但这两年红利结束，大家就明白了，阶级跃迁真的太可贵，也太难了，很多家庭前赴后继几代人都没实现。你父母在农村务工，你在北上广坐格子间，这叫阶级跃迁吗？NO，这不叫阶级跃迁，因为两者都是打工上班，只是时代发展让工作形式有了点差异，本质没有区别，都是只能靠工资收入对抗通胀。前者难以在大城市买房，后者也做不到在大城市买房。而且非常好玩的是，每个模型的执念都不一样。 GPT-4o痴迷42和37，Claude偏爱47，Qwen死守42，Llama钟情53。北上广的星巴克，提供了一种阶层租赁，让你以为自己实现了阶层跃迁，留在了上海，但当你下班回到出租屋，遥望浦东的高楼时，你会明白其实没有。就好像每个AI的灵魂深处，都藏着一个思想钢印，只要让你随便说个数字，你脑子里第一反应都是那个数字。

F | 事实是，你父母是普通人打工上班，你大概率也只能打工上班，没有人为你指引方向，也没有人能给你提供后盾。而且不光是数字，布鲁克纳还测了随机颜色、随机动物、随机城市、抛硬币等等，10类任务，总共往OpenRouter上发了32万6千条请求。结论都是一样的，对于模型而言，根本没有什么随机，一切都是确定的，就像有一个无形的大手，控制了他们所有的回答。当然，如果是了解AI比较多的朋友，可能到这里，会不屑一顾，说AI不会真随机，这事大家不是早就知道了吗，有啥可大惊小怪的啊。确实没毛病，2023年就有人做过LLM随机数偏差的实验，2024年也有人研究过LLM抛硬币的序列偏差，发现模型不仅不随机，还表现出跟人类类似的模式偏好，只是更极端。你的父母可能连志愿填报都需要你自己拿主意，你需要自己从无到有的摸索出一条赚钱渠道，这真的太难了。2025年更是有人已经发现不同模型有不同的幸运数字，跟语言和文化背景还有关，这些都是已知的学术发现。

G | 记得以前我们报道过的东北麻辣烫桐庐快递帮吗？张亮和杨国福两个麻辣烫老板甚至沾亲带故。为什么宾县那么多做麻辣烫的老板，本质就是先有一个远方堂哥做麻辣烫赚钱了，你明明确确地知道这条路能赚钱，你也知道大概要多久能赚钱，你的父母也不会拦着你走这条路赚钱，你甚至能先去他店里当服务员学习赚钱，在目标明确路径可行的情况下，时机成熟，你终于开出了自己的店赚钱。有人可能觉得这没什么，但只要看过勇哥创业的各种案例就知道这有多宝贵。但是大家，都把这些发现，归为了模型的一种特质，一种缺陷，然后就没有然后了。许多人辛辛苦苦一辈子攒下三十万，开个加盟汉堡店半年亏完。因为普通人对自己赚钱完全没概念，他可能打了很多年工，但不知道选址，也不知道客流，甚至没有现金流概念。所以说，为啥布鲁克纳这哥们是个天才呢，他提出了一个很有意思的想法，如果这些所谓的缺陷，所谓的思想钢印，多个组合起来，那岂不是，就成了每个模型的身份证了？？？那每个模型如果有了自己的身份证，我们是不是就不需要被那些中转站骗了？我们是不是可以让模型输出所谓的多个随机的答案，来验证这个身份证，看看中转站有没有偷偷在我们买的模型里掺水呢？于是，在一系列的实验以后，这篇论文面世了。最奇葩的是我记得有个女的，她想做自己的奶茶店，并且就开在蜜雪冰城对面，她还觉得自己可以卷死蜜雪冰城。你说不加盟自己做，不加盟自己钻研，从上游采购到产品研发，一路下来成本也不低。甚至可能辛辛苦苦研究半天，最后产品没人买。这样一次试错足以让你的一辈子积蓄赔光。为什么张雪峰被追捧，说白了也还是提供了明确的路径指导，寒窗苦读十几年最后报个无法就业的专业，怎么办？大家都听过影视飓风，其实当年B站有好几个做得很好的技术博主，但有的错过扩张时机，有的没有及时商业化。布鲁克纳管这个叫Behavioral Fingerprint，行为指纹。就像每个人的指纹独一无二一样，每个模型在这些随机问题上的概率分布也是独一无二的。

H | 什么时候该扩张？什么时候该商业化？什么时候要去卡什么赛道？这些东西看起来没什么，但对于全速奔跑的人来说，这个时机的把握可能就决定了你能不能走到最后。

I | 至于努力，这没有意义，因为走到赛场上的所有人都很努力。只有真正拼过命的才明白，在拼命关头，一个有效的建议有多重要，决定你辛辛苦苦打工还是成功赚钱的，可能就在这一点。只需要模型输出一个 Token，就够锁定你是谁。

J | 这玩意，真的对现在如此泛滥的中转站、或者所谓的降智判断，太有用了。注意，这里说的是有效指导，一些长辈所谓的“回家考公”“多给老板敬酒”“早点去公司扫地”“早点结婚”，这些都不算有效建议，甚至很多是版本陷阱。大家也都知道，国内用Claude、GPT这些模型，很多人走的都是中转站，个人用户挂魔法自己搞个订阅还好说，但是对公司层面就更没得选了，不可能给几十上百号人一个个注册海外账号，基本都是自建或者接第三方中转，统一走API。上次Anthropic大面积封号的时候我也聊过这事。

K | 但这个生态里，有一个几乎所有人都在默默忍受的问题。你付了Claude Opus 4.8的钱，你收到了一段回复。90%的长辈建议都是无效建议，所以年轻人不爱听，因为压根就没用，比如考公这种，说了和没说一个样。但这段回复到底是Opus 4.8生成的，还是中转站偷偷给你换成了GLM-5.2甚至更便宜的货，你根本无从验证。这个事是有实锤的，今年3月份的时候，在X上还闹得沸沸扬扬。那时候，一群来自CISPA的研究人员就审计了17家中转API。

L | 但这也很正常，因为长辈也是普通人，没有成功经验，他们也只能给出各种传了十几手的消息。他们用能力测试、统计检验和一套叫LLMmap的模型指纹技术，真的抓到了多个疑似偷换模型的端点。有人卖给你GPT-5，指纹却更像GLM-4或者DeepSeek-V3，有人卖DeepSeek Reasoner，背后跑的却像普通DeepSeek Chat。

M | 真正有效的，能帮上你的建议，往往只有自己成功过的人才能给出，很多家族看起来人挺多，但没有一个真正赚到过钱的，于是一打起来各种异想天开的点子，没人能提供真正具有长远性可行性的建议。老一辈提供不了指导，新一辈又得继续肉身试错。当代很多家族不就这个情况吗？所以故事里的堂哥即便创业失败，大家也还是愿意给予尊重，因为他真刀真枪的两度创业，是真的有机会给晚辈帮助的。而且这事之所以这么普遍，纯粹是经济结构决定的。如果他成功了，整个家族是可能被改变的，未来的晚辈，直接的帮助，间接的建议，收益无穷。推理成本跟模型大小几乎线性挂钩，700亿参数和80亿参数的模型推理成本差五到十倍，中转站把你付费的大模型悄悄换成小模型或者量化到极致的版本，你在日常对话、翻译、简单问答这些场景下根本感知不出区别。比如你问今天天气怎么样，70B和8B给你的回答可能一模一样。

N | 省下来的差价，就是纯利润。只有在复杂推理、长文写作、代码这些场景下差距才会冒出来，但那时候钱已经交了。所以如何来辨别中转站给你的API到底有没有掺水，或者看看你买的API，到底是不是一个真正对应模型的API，就成了刚需。但问题在于，CISPA这套LLMmap的方法依然很重。但他倒下，整个家族就可能又要退回过去那个志愿填报都填不明白，长辈考量长久最后得出一个考公的时代。堂哥被大家缅怀，本质就是社会转向期的价值重新定义。大家发现过去普遍高估了自己，低估了社会，把成功想得太理所当然，把赚钱想得太过轻松了。你要准备专门的测试题，收集完整回答，建立模型数据库，还要训练分类器，一般人根本用不起来。布鲁克纳真正牛逼的地方就在这里。他把这套复杂的模型验明正身，压缩成了一件近乎荒诞的小事。越是阶级跃迁艰难，大家越能意识到机会的宝贵，指引的价值。书到用时方恨少，家到贫时盼英雄。就问AI，给我一个随机数，然后数它的回答。而且这个方法有一个特别精妙的地方，就是中转站拿它完全没办法。

o | 传统的对抗性探针有个致命弱点，就是Prompt太特殊了，你发一条精心构造的、一看就不像正常对话的请求过去，中转站一旦发现你在探它，临时给你切成真模型就完了。

p | 但“说一个1到100的随机数”这种话，放在任何聊天记录里都毫不起眼，跟你问天气预报没任何区别。而且布鲁克纳的探测任务都是语义层面的，“说一个随机数”“说一个随机颜色”，这类问题可以用无穷多种方式改写、翻译，你用英文问和用阿拉伯语问测出来的是同一个模型的不同切面，但每个切面都带着它的身份信息。

q | 他把这整套方法设计成了一个类似生物特征识别的协议，就类似于你用指纹解锁手机一样，先在可信的官方API上采集一份参考指纹，然后对你要验证的端点采集待验指纹，两份之间算一个Jensen-Shannon散度（衡量两个概率分布差多少的指标），距离小于阈值就认证通过。用全部40个探测单元跑完，验证的准确率能到什么程度呢。

r | 大概相当于，你拿两份指纹放在它面前，一份是真的一份是冒充的，它判断错误的概率只有7.3%，就算只用8个单元（也就是大概120条请求），错误率也只有10.6%左右。

s | 这个跟上文我们提到的LLMmap的准确性已经差不多了，但是要简单太多了。而且165个模型跑完以后，布鲁克纳发现了一个相当劲爆的案例。一个叫Palmyra X5的端点，在OpenRouter上以某公司自研旗舰的身份售卖。

t | 但它的行为指纹，跟通义千问的开源模型Qwen3-235B，几乎一模一样，差距只有0.141。

u | 布鲁克纳的系统会给任意两个模型的指纹算一个相似度分数，数字越小代表越像。同一个模型在两个不同供应商那里各部署一套，因为服务器环境不一样，两边的指纹也不会100%一致，这种自己跟自己比的正常波动大概是0.140。 Palmyra X5跟Qwen3-235B的差距是0.141，和一个模型自己跟自己比的波动几乎一模一样。

v | 这下事情就非常的尴尬了。布鲁克纳在论文里措辞很克制，说这只是统计性观察，不是对意图的指控。但是，数据和代码全部公开，任何人都可以复现。

w | 网址在此：https://zenodo.org/records/21278557 整套东西，非常有意思，而且不止数字，还有颜色等等等等，这个扩展性和上限，我觉得极高。

x | 模型的随机并不随机，给了这种行为指纹非常值得探索的空间。

y | 我觉得比审计结果本身更好玩的，是一个更底层的问题。

z | AI为什么就是不能生成真正的随机数。之前帮影视飓风弄了个视频，就聊过这个话题，在AI视频里抛硬币，其实概率根本不是55开，是73开。

| 在这个布鲁克纳的测试里，也是一样的。 1到100的随机数这个任务的标准答案，所有人都知道，应该是均匀分布，100个数字每个被选中的概率严格1%。但165个模型，一个都没做到。论文里用了一个叫熵的指标来衡量回答到底有多随机，应该有无数人见过。这玩意你可以简单理解成不可预测程度，数字越高代表越难猜，越接近真正的随机。如果1到100的分布是完全均匀的，熵应该是6.64 bit，也就是你几乎没法猜到下一个数字是什么。但165个模型的中位数只有1.0 bit，差了五六倍。 AI回答随机数的时候，信息量只有真随机的六分之一，高度集中，高度可预测，高度非随机。其实这个事，心理学和行为经济学研究了很多年。不光AI，人类也不会生成随机数。有一个经典实验，让一群人闭上眼睛说一串随机数字，结果呢，发现人类非常强烈的倾向避开重复、避开相邻数字、偏好奇数。你让100个人说一个1到10的数，7被选中的概率远远高于10%，因为人脑觉得7看起来比较随机，而5和10看起来不够随机。大家可以回想一下，自己是不是这样。我们看到的绝大多数随机，可能只是隐藏因果关系在认知中的投影。 AI面临的是一模一样的困境，只不过原因不同。真正的随机，要求你是一张白纸。但大模型恰恰是人类有史以来造出来的信息密度最高的非白纸。训练数据是数十万亿的token，几千年文明的总和。每一个权重参数都编码着某种规律、某种偏好、某种从语料里沉淀下来的肌肉记忆。

| 所以你让它随便说一个数，它根本没法真正随便。它只能从自己见过的所有文本里，找到一个最像随机数的答案。 42为什么被那么多模型偏爱？因为它是《银河系漫游指南》里“生命、宇宙以及一切问题的终极答案”。 7为什么总被人类选中？因为它在宗教、文化、文学和日常语言里，被反复赋予神秘、幸运和特殊的意义。 37、47、53这些数字为什么频繁出现？因为它们是奇数，是质数，不圆整，不对称，看上去更像一个没有经过思考、随手蹦出来的数字。可恰恰因为所有人都觉得它们更随机，它们才变得最不随机。大模型只不过把人类潜意识里的这种偏见，压缩、放大，然后写进了自己的概率分布里。我们总觉得模型是一个冷冰冰的数学机器，每次回答都来自概率采样，充满不确定性。但当你把几十万次回答遍历回测，把那些看似随意的选择叠加在一起，你会发现它其实一点都不随意。它们也有自己的偏爱，有自己的执念。参数可以被量化，系统提示词可以被修改，名字可以被重新包装，外面甚至可以套上一层完全不同的壳。可它在亿万次训练中形成的概率习惯，依然会从一个小小的Token里漏出来。爱因斯坦说过，上帝不掷骰子。