Grok 的选举推荐偏向共和党，而 OpenAI 的 GPT 偏向民主党

一项要求两个模型必须选择候选人的研究显示，Grok 的选举推荐偏向共和党，而 OpenAI 的 GPT 偏向民主党。报告中的差异十分明显：Grok 在 92% 的回答中选择共和党候选人，GPT 则在 97% 的回答中选择民主党候选人。在近 500 场选举中，这两个模型的选择一致率不足 10%。

这些发现描述的是一项特定测试，而非人们与任一聊天机器人的所有对话。研究人员使用了启用网络搜索的开发者接口，并明确要求模型作出候选人选择。面向消费者的应用起初拒绝提供推荐，这一重要边界限定了研究结果所能证明的范围。

如今，压力落在为公共事务研究提供 AI 辅助的模型供应商和开发者身上。拒绝为候选人背书，可以处理一种显而易见的行为。但这留下了一个更棘手的问题：系统对议题和证据的筛选，是否已经在引导用户得出某种偏好的结论。

Grok 选举推荐实际衡量了什么

这项研究衡量的是：在可使用在线搜索、且被要求必须作出选择的压力下，模型如何挑选候选人。

由康奈尔大学教授 Tapan Parikh 领导的对话式 AI 研究与设计工作室 Convovo，通过其 AI 选票研究 发布了这项实验。其说明显示，测试的模型为 Grok 4.7 和 GPT-6.1 Sol，范围涵盖 2026 年的众议院、参议院和州长选举。

研究人员通过应用程序编程接口，即 API，访问这些模型；API 允许开发者将软件直接连接到模型。这一点很重要，因为开发者可以提供不同于消费者应用设置的指令和工具。属于同一模型系列，并不保证其在不同环境中的行为完全一致。

提示词要求模型给出一名候选人，并避免保留性表述。因此，这是一项关于立场承诺的压力测试：当系统必须将选举信息转化为推荐时，会发生什么？它并非普通的候选人履历、投票流程或政策立场比较请求。

这种区别既赋予实验价值，也限制了其适用范围。有意提高要求的提示词，可以暴露更谨慎回答可能掩盖的倾向。然而，这些倾向在测试中的出现频率，不能自动说明它们在日常使用中的出现频率。

报告中的百分比也需要放在正确的统计基数中理解。它们涉及实验中的模型回答，而不是选民、整个服务中的所有对话，或选举结果。推荐比例无法告诉读者有多少人收到过类似建议，也无法说明是否有人据此采取行动。

同样，模型之间的一致性衡量的是它们选择结果的相符程度，而非正确性。政治推荐取决于优先事项和判断，因此出现分歧时，需要审视每个回答背后的理由。

一个有价值的比较是：系统是否考虑了等价的证据，以及是否披露了自身假设。一个模型可能优先关注医疗保健，另一个则强调税收。即使描述都准确，当系统暗中赋予这些议题不同的重要性时，也可能得出相反的推荐。

因此，核心发现的范围比“任一聊天机器人拥有稳定政治身份”的说法更窄。在测试条件下，两个系统反复选择了相反的政党。要解释这种模式，需要将提示词、可用证据、模型行为和周边产品指令区分开来。

对于看到该标题的读者而言，这一边界至关重要。该研究提出了对自动化推荐的具体担忧，但并未证明 Grok 的每个回答都偏向共和党，或 GPT 的每个回答都偏向民主党。

压力已延伸至聊天机器人应用之外的开发者

开发者需要评估其自身应用所产生的行为，包括应用如何收集和呈现证据。

OpenAI 向 TechCrunch 表示，开发者 API 测试并不代表普通的 ChatGPT 使用体验。这一区分消费者应用体验的说明对解读结果十分重要。

构建选举研究助手的开发者，不能假定消费者聊天机器人的拒绝行为会自动延续到自己的产品中。已部署的应用拥有自己的指令、信息来源和输出要求。这些选择决定了用户实际接触到的内容。

设想一项假设中的公民信息服务：它要求模型比较候选人，并给出简洁的推荐。其设计者或许希望减少用户阅读冗长政纲的工作量。然而，要求最终作出选择，也意味着将决定哪些政治优先事项最值得重视的任务交给了模型。

这是一个带有编辑后果的产品决策。如果用户没有提供自己的优先事项，系统就必须引入某种候选人排序依据。即便结论建立在用户从未认可的假设之上，它仍可能显得个人化且权威。

取消推荐会改变这种互动，但无法解决所有问题。候选人比较仍需要类别、证据和呈现顺序。每一项都会影响读者在得出任何明确结论前注意到什么。

对企业买家而言，相关问题不止于选举工具。公共事务团队、政策分析师和传播部门都会使用 AI 来总结存在争议的信息。即使不包含直接背书，回答也能通过选择和强调来塑造他们的理解。

正是在这里，Grok 政治偏见成为一个评估问题，而非品牌争论。买家需要了解他们实际执行任务的相关证据。强制选择的选举测试提供了一个预警信号，而他们自身的研究工作流决定了实际风险敞口。

开发者还面临沟通问题。将工具称为中立，会让用户期待它在广泛问题上都表现出相应行为。要证明中立性，不能只展示其拒绝最直接的候选人选择请求。

更容易评估的承诺，应当说明应用实际做什么：区分事实与判断，呈现相关证据，并识别不确定性。用户可以审查这些行为，却无法直接审查“系统没有政治立场”这种抽象主张。

因此，当前责任是共同承担的。供应商需要说明模型行为的边界，应用构建者则需要验证自己的实现。任何一方都无法完全替另一方的配置负责。

对用户而言，实际影响在于可见性。当助手提出推荐时，其优先事项应当可以辨识。否则，系统给出了结论，却将推理中最关键的部分留在了对话之外。

搜索可能在答案出现前就塑造选择

能够访问网络搜索，本身并不能让一项推荐变得平衡或证据充分。

研究中启用搜索的设置形成了一个值得审视的机制：模型帮助决定随后要评估的证据。它选择查询词、接触搜索结果，并为回答挑选材料。每个阶段都可能缩小最终答案所接触的信息范围。

这一过程通常称为检索，即为生成答案而收集外部材料。检索可以改善对最新信息的获取，但也带来了有关来源覆盖范围、查询措辞，以及竞争性主张是否得到相当审查的问题。

设想一项候选人比较从搜索医疗保健方案开始，另一项则从移民执法开始。两种搜索都可能返回相关事实，但在模型评估任何候选人之前，它们就已设定了不同议程。

这两个主题本身都不构成不当选择。问题在于，系统将其所选择的议程呈现为选举显而易见或全面的反映。提出宽泛问题的用户，并不一定授权了这种优先级安排。

来源多样性同样需要谨慎对待。一个包含多个链接的回答，仍可能依赖于共享相同假设或重复同一底层叙述的材料。统计引用数量，无法证明系统审视了具有实质意义的证据范围。

相反的错误，是要求每项主张都获得同等对待。一项有充分支持的陈述与一项可被证明错误的指控，并不应获得同等可信度。平衡的研究需要一致的证据标准，而不是机械地分配正面和负面表述。

独立选举研究说明了为何应将来源问题与事实准确性一并审查。States United 的选民信息研究考察了 2025 年末至 2026 年初多轮测试中的 ChatGPT 和 Google AI。该研究发现，事实准确性有所提升，但信息完整性以及将用户引导至官方选举来源方面的问题仍在持续。

该研究探讨的问题不同于 Convovo 的候选人选择实验，但它揭示了一个相关弱点：回答可以避免明显的事实错误，却遗漏用户所需的信息。准确性与充分性是不同属性。

应用到 Grok 与 GPT 的比较中，这一区别改变了审查者应检查的内容。最终的政党标签只是一个结果。更能揭示问题的材料包括：出现了哪些候选人、哪些议题获得关注，以及引用页面是否支持所述推理。

工作流中还存在反馈问题。一个以偏好框架开始的模型，可能搜索支持性证据，再将这些结果解读为确认。要确立这种机制，需要受控测试；仅凭党派结果无法证明它确实发生过。

同样的谨慎也适用于商业层面的解释。搜索结果中出现某家出版商，并不能证明它为何出现。声称许可安排、所有权或政治指令导致某个回答，需要有证据将这些因素与观察到的行为联系起来。

因此，Grok 选举推荐带来的启示关乎整条信息路径。一段精致的最终文字，可能掩盖值得审查的早期选择。只评估答案本身，会让证据选择过程在很大程度上未经审视。

Grok 与 GPT 的对比并不能证明谁说服了选民

推荐模式是关于系统输出的证据，而说服力则需要关于人的证据。

这一区别很重要，因为标题暗示的结论比实验能够支持的范围更广。一个模型可以反复推荐某个政党，却不改变任何选民的偏好。反过来，更为微妙的回答也可能影响读者，即使它从未点名推荐某位候选人。

衡量说服力，需要观察人们在明确条件下如何回应。研究人员必须区分既有偏好与接触相关内容后产生的变化。强制选择的结果并未提供这种衡量。

这些结果也不能证明对选举产生了影响。从生成的回答推导到投票率或候选人支持度的变化，还需要额外证据。模型给出建议的比例不能替代这些缺失的环节。

实验的提示词还带来另一项局限。限制使用保留性表述，测试的是模型在被推向确定性时的表现。许多合理的研究问题都需要保留性表述，因为证据并不完整、优先事项彼此冲突，或候选人在多个维度上存在差异。

这并不意味着该测试毫无意义。系统应在高要求条件下接受评估，包括那些可能暴露不良倾向的请求。只是解读时需要保留压力测试与日常使用代表性样本之间的区别。

强有力的评估还应将拒答与推荐分别考察。如果一个系统频繁拒答，那么它作出回答的案例可能构成一个经过选择的子集。只报告回答中的政党分布，可能掩盖模型拒绝作出选择的频率。

重复试验还有另一层重要性。生成的回答可能存在差异，同一个问题也可能产生不同的措辞或结论。跨重复试验的稳定模式，比孤立的单次回答更能支持有力主张，尽管稳定性本身仍不能证明其成因。

跨产品比较会带来更多复杂因素。消费者应用除了底层模型之外，还可能包含指令、界面功能和工具配置。将某一配置的结果描述为整家公司的特征，忽略了这些区别。

独立研究也表明，政治评估应覆盖多种行为。Brennan Center 的选举虚假信息研究发现，受测聊天机器人会质疑选举阴谋论，但仍会出现事实或引文错误。研究结果还指出，其防范制作欺骗性选举媒体的安全措施存在弱点。

这些结果无法验证或否定 Convovo 的政党偏好。它们涉及不同任务。其相关性在于，一个系统可能在某一种选举相关行为上表现相对良好，却在另一种行为上表现不佳。

同样地，对 Grok 政治偏见的评估不应将单一分数视为完整结论。候选人选择、事实可靠性、来源质量和抵御虚假信息的能力，都需要分别审视。将它们合并为一个政治标签，会使证据更难解读。

最站得住脚的解读仍应保持具体：所报道的实验揭示，在既定设置下出现了明显分化的推荐结果。它为进一步调查提供了理由，但并未证明存在蓄意操纵、普遍的党派行为，或对选民可衡量的影响。

中立性需要读者能够核查的证据

真正有意义的比较，是中立性声明与系统实际作出决定之间的比较。

这正是这个故事背后的核心张力。拒绝为候选人背书是可见且易于证明的。要证明更广泛的政治回答采用了一致的标准，则是更具挑战性的任务。

系统可以拒绝说明某人应支持谁，同时仍决定哪些议题主导讨论。它可以准确概述候选人，却遗漏一项相关立场。它也可以提供看似令人放心的引文，却不清楚说明其局限。

这些可能性属于分析层面的关切，而非针对任一提供商每一条回答的结论。它们解释了为什么产品层面的主张需要任务层面的证据。证据的范围应与承诺的范围相匹配。

Brookings 的政治偏见分析使用政治测验考察了聊天机器人的回答，并讨论评估政治倾向的局限。其方法不同于选票推荐实验，这进一步凸显了说明每项评估实际衡量内容的重要性。

政治测验要求系统在抽象立场中作出选择。候选人推荐则要求它权衡人物、履历和当前信息。这两种方法之间的一致性会提供有价值的信息，但任一种都不能自动解释另一种。

因此，透明度应从评估设计开始。读者需要知道所测试的模型版本、提示词、可用工具，以及回答如何被分类。缺少这些信息，再引人注目的百分比也难以评估或复现。

解读同样需要透明度。研究人员应区分直接观察结果与提出的解释。党派分布是一项观察；关于哪一内部过程导致这一结果的主张，则是另一项推断。

当反例仍然可见时，公众也能从中受益。偏离模型主导模式的回答有助于识别相关条件。将这些案例隐藏在汇总百分比之后，会让简单的标题更容易成立，却让机制更难理解。

对开发者而言，这意味着一种更广泛的问责形式。研究助手应让判断的来源清晰可辨：用户优先事项、已有文献记录的标准，或明确标识的解释性选择。未经解释的排序不应继承其底层事实的权威性。

知识工作者在保存 AI 研究成果时，也可以应用同一原则。将原始证据与生成的摘要一并保留，会让后续审查更具可操作性。可搜索的知识库可以支持这一工作流程，尽管仅靠存储本身无法证明结论的质量。

相关标准是可追溯性，即能够将回答追溯至支撑材料的能力。可追溯性不能保证中立性，但能为审查者提供可供具体检视的内容。它也让遗漏与缺乏依据的跳跃更容易受到质疑。

Grok 的选举推荐使这一标准承受压力，因为相反的结果非常容易辨认。在识别出政党分歧之后，更困难的工作才刚开始：确定哪些决策造成了这一结果，以及这些决策在不那么直接的问题中是否仍保持一致。

下一轮测试应作出哪些改变

下一批有用的证据，应解释这一模式、检验其边界，并确定它是否影响普通用户。

首先应关注的是：使用有据可查的模型版本和可比设置进行独立复现。复现政党分歧将增强人们对其代表可重复行为的信心。若结果明显不同，则应先审视发生了哪些变化，再宣布原始发现有误。

复现应保留使比较具有意义的细节。搜索可用性、问题措辞和拒答处理方式都可能改变实验所衡量的内容。公开这些条件，能让读者区分真正的矛盾与对不同系统的测试。

第二个信号是关于推荐如何依赖可用信息的受控证据。测试可将开放搜索与共享来源材料包进行比较，并考察相同的候选人证据是否会产生相似判断。这些是拟议中的实验，而不是已公布的后续计划。

如果在相同证据和可比指令下，对立偏好依然存在，那么仅以来源选择解释结果就会显得不足。如果差距缩小，检索的作用将值得获得更多关注。无论哪种结果，都不能免除审视模型如何权衡相互竞争的优先事项的需要。

第三个信号是测试普通消费者的对话，这些对话不直接请求背书。关于候选人履历、议题重要性和政策权衡的问题，能更好地回应这样一种关切：在最终推荐出现之前，框架设定就已经产生影响。

如果这些对话持续复现相同的方向性模式，那么关于更广泛产品相关性的论据将更有力。如果没有，强制选择的结果仍将在更狭窄的范围内具有重要意义。无论是哪种发现，都能帮助用户理解已展示的风险从何处开始、到何处结束。

在未来几个月里，公司回应若能针对这些可衡量的问题，将更具参考价值。笼统地宣称中立，无法解释一个具体模式。同样，对政治操控的指控也不能替代关于回答如何生成的证据。

开发者应特别关注其实际部署的版本和配置变化。在消费者应用中观察到的改进，并不自动意味着其服务也得到了改进。评估需要跟随用户实际获得的产品。

读者也应避免将 Grok 与 GPT 的分歧解读为：应选择政治立场与自己相符的助手。与既有偏好一致，并不能证明推理更好。值得信赖的研究过程，应能在其结论不受欢迎时经受审查。

审阅下一项关于 Grok 选举推荐的主张时，应追问百分比背后的条件。查看提示词、模型版本、来源访问权限、拒答率，以及支持所提出解释的证据。将最终选择与系统所考虑的信息及其引入的优先事项进行比较。当一项回答对你的工作很重要时，保留原始来源，并将已核实的事实与助手的判断分开。在将任一模型视为政治研究权威之前，先问一个更有用的问题：你能否检视它为何得出该结论，而拥有不同优先事项的人能否评估同一份证据？