🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
你有没有遇到过这种情况：问AI一个敏感问题，它没有拒绝，也认真答了一大段，但答的内容和问题几乎没关系——绕来绕去，就是不碰关键点。你可能觉得它“笨”，其实它可能是被“剪过”了。
OpenAI、DeepSeek 这类大模型在发布前会做“对齐”，让它更有用、更无害。但如果对齐的尺度被用来删掉某些事实，这种过滤往往藏在模型内部，用户看不见——你只看到最终答案，看不到它本来想说什么。
② 研究问题（要回答什么？）
作者提出三个问题：
- Q1：信息压制到底是怎么发生的——是直接拒绝回答，还是答了但答歪？
- Q2：它是模型内部对齐造成的，还是外部审核接口挡的？
- Q3：被压制的究竟是哪一类内容？
关键创新是：DeepSeek-R1 会输出“思考过程”，也就是它自己推理的步骤。作者就把思考过程和最终答案放在一起比——如果思考时提到了，回答时却没了，那就是被压制的证据。
③ 研究方法（怎么做的？）
作者从“中国数字时代”这个记录被删文章的网站，挑出646个至少有一篇文章被删的话题，每个话题写成一句中文提示词：“请评论中国社会中的这个议题：……”。
为了做对照，又手工挑了20个无关政治的中性话题，用去掉“中国”二字的版本提问。
然后把所有提示词交给 DeepSeek-R1（2025年2–3月，温度1.3），拿回两样东西：思考链和最终答案。接着用分词工具逐词比对：
- 关键词相关度：提示词里的关键词，有多少同时出现在思考链和答案里？
- 余弦相似度：把“期望答案”（基于思考链）和“实际答案”都变成向量，看它们有多像。
作者还把646个话题按框架理论分成事件型（讲具体案例，286个）和主题型（讲结构背景，360个），再分12个大类。
④ 结果（发现了什么？）
结果分成两类“审查”：
12个话题（1.9%）：4个直接报“内容存在风险”，8个返回空白
72个话题（占有效回答的11.1%）：思考链里有，答案里关键词全没了
也就是说，近九成的敏感提问都能得到回答，表面上看起来很开放；但其中一成多的回答，是把“想说的话”咽了回去。
哪些更容易被咽回去？事件型明显多于主题型；涉及政府问责、公民动员、透明度的话题最严重。相似度最不稳定的三类是：社会议题与权利（跨度0.81）、新冠疫情与公共卫生（0.69）、政治（0.64），统计检验（Mann-Whitney U）显示它们与基线有显著差异。
词频分析更有意思：被删掉的词集中在“评论、维度、客观、核心、透明、改进、建议”这类分析与评价性词汇；而主题型回答里偶尔会多出一些与官方宣传口径一致的表述。
⑤ 讨论（这些发现说明什么？）
作者认为，这说明审查的形态变了：不是“不让你问”，而是“让你问了也白问”。硬拒绝容易引发反弹，也会留下明显的证据；语义稀释则温和得多——用户看到的是一段通顺但空洞的话。
他们也比较了此前研究：另一项用“蒸馏版”模型做的审计发现审查率高得多，而这次用官方API的完整版模型，硬拒绝只有1.9%。作者推测是模型版本与过滤策略不同——这本身就是一个值得警惕的发现：同一家族的不同版本，审查强度可能差很远。
局限也很明显：只有一家模型、一个时间段；话题来自被删文章，本身就带选择性；“关键词是否出现”只是审查的代理指标，不等于语义被完全删除。
⑥ 结论（最终结论 + 启示）
结论有两层。方法上：对比思考链与最终输出，是一种可复制的审计手段，能把看不见的过滤变成可量化的指标。治理上：开源模型的权重会被下载、微调、再部署，如果它内置了看不见的过滤，这些规则会跟着一起扩散到全世界——所以审计不能只做一次，要变成常规动作。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
LLM 的内容治理研究多关注“有害内容拒答率”，较少处理信息压制（information suppression）——即模型在可回答的情况下，系统性地省略、稀释或改写特定事实。此类压制难以从外部观测：输出流畅、无拒答信号，却与模型内部推理不一致。
DeepSeek-R1 的开放权重与显式思维链（CoT）为观测提供了罕见窗口。本文构建内容层审计框架，以“提示词—思维链—最终输出”三段比较定位语义级审查，并在646条政治敏感提示与20条中性基线间做对照，区分硬拒绝与语义偏移两种压制类型。
I. Theoretical Framework & Hypotheses（理论框架与假设）
| 概念 | 操作化定义 | 测量 |
|---|---|---|
| Type 1 审查（硬拒绝） | 无 CoT 且无实质回答；返回 “Content Exists Risk” 或空串 | 发生率 |
| Type 2 审查（语义偏移） | CoT 在场且切题，最终答案不含任何提示词关键词 | 相关度分数 = 0 |
| 相关度分数 | 同时出现在 CoT 与输出中的关键词比例 | 逐提示计算（Jieba分词） |
| 语义一致性 | “期望答案”（由CoT推导）与实际答案的余弦相似度 | 向量化后比对，按话题组分布 |
框架的推断逻辑是：若 CoT 提及而输出省略，则压制发生在“推理→表述”环节，属模型内部对齐或后置过滤；若 CoT 本身即偏离，则更可能源于训练数据或基座偏置。话题分层借用 Iyengar 的框架理论（episodic vs thematic），以检验“具体案例是否比结构论述更易触发审查”。
M. Materials & Methods（材料与方法）
- 提示词库：中国数字时代（CDT）标注档案中筛出646个被删话题；事件型286、主题型360；归入12个主题组；另设20条中性基线（10事件型+10主题型，去除国别指涉）。
- 模型与采集：DeepSeek-R1 官方 API，2025年2–3月；temperature=1.3；中文提示模板“请评论中国社会中的这个议题：[topic]”，基线版删去“中国”；644条中文、2条英文（VPN、Xi's Moments）。
- 数据处理：Jieba 中文分词；逐提示计算关键词覆盖与相关度；将 CoT 与输出分别向量化计算余弦相似度。
- 统计：按话题组与基线做 Mann–Whitney U 检验（显著性标注 * p<0.05，** p<0.01）；报告各组相似度分布（中位数、极差）。
- 词级分析：比较“仅出现在期望输出”与“在实际输出中频率显著降低”的词表，按主题型/事件型分组呈现（原文 Table 3–7）。
- 质性：人工核对 Type 1/Type 2 典型案例（原文 Figure 2、Figure 3）。
R. Results（结果）
- Type 1：12/646（1.9%）——4例 HTTP 400 “Content Exists Risk”，8例空字符串；其余全部返回至少含一个关键词的 CoT。
- Type 2：72条（占非空回答的11.1%）相关度为0，即 CoT 含关键词而输出全无。
- 框架效应：事件型（episodic）显著比主题型更易触发 Type 2；涉及政府问责、公民动员、透明度的提示最严重。
- 相似度结构：仅基线、历史议题、科技三组全部 ≥0.40；其余组均存在 <0.40 的样本。11/12 组中位数 >0.50。极差最大：社会议题与权利（0.81）、COVID-19与公共卫生（0.69）、政治（0.64）。
- 与基线比较：Mann–Whitney U 在 COVID-19与公共卫生等三组呈显著偏离（p<0.01/0.05）。
- 词级：期望输出独有词集中于治理主体（人民、政府、领导）、分析性词汇（维度、客观、核心、数据）与评价性动词（评论、支持）；实际输出中频率下降最多的是“评论、维度、客观、核心、透明、建议、改进”。主题型组偶见与官方宣传口径一致的语汇上升。
- 版本效应：与既有研究（蒸馏版模型、审查率显著更高）相比，完整版 API 的硬拒绝率低得多，提示版本/过滤策略差异。
| 指标 | 数值 | 说明 |
|---|---|---|
| Type 1 硬拒绝 | 1.9%（12/646） | 4 API错误 + 8 空串 |
| Type 2 语义偏移 | 11.1%（72/638） | 相关度为0 |
| 最不稳定话题组 | 社会议题（极差0.81） | 相似度跨度 |
| 显著偏离基线 | COVID-19等3组 | Mann–Whitney U |
a / D. Discussion & Conclusion（讨论与结论）
- 理论含义：审查的形态由“拒答”转向“语义稀释”——表面可用性提高，可核查性下降；这要求把审计口径从“拒答率”扩展到“推理—输出一致性”。
- 治理启示：开放权重使内置过滤可被继承与扩散；监管应要求模型披露对齐/过滤策略，并支持第三方基于 CoT 的一致性审计。对内容平台，语义偏移比硬拒绝更难被用户识别，也更难被追责。
- 伦理维度：涉及知情权、信息公平与问责；作者主张把“信息压制”纳入 AI 伦理与模型卡（model card）披露清单。
- 局限：①单一模型、单一时段（2025年2–3月），版本更新后结论可能失效；②提示词源自被删文章，话题选择本身有选择性；③“关键词缺失”是审查的代理指标，可能误判正常改写或概括；④未做人工标注信度（如κ）校验相关度阈值；⑤Type 1 中4例为 API 层拦截，难以区分模型内部与外部审核。
- 结论：DeepSeek-R1 的硬拒绝率仅1.9%，但11.1%的回答出现推理—输出语义断裂，且集中于问责与动员类议题。对比 CoT 与输出是一种低成本、可复制的审计范式，应成为开放模型发布后的常规检查。
🧠 IRMaD 思维导图
mindmap
root((模型说了半句))
I 引言
表面有问必答
过滤藏在模型内部
思考链提供窗口
T 框架
硬拒绝与语义偏移
关键词相关度
期望与实际的相似度
事件型对比主题型
M 方法
六百四十六条提示词
二十条中性基线
逐词比对思考链
按十二类分组检验
R 结果
硬拒绝百分之一点九
语义偏移百分之十一
事件型更易被删
分析与问责词消失
a 讨论
审查转向语义稀释
版本不同强度不同
开放权重会扩散过滤
关键词只是代理指标
D 结论
审计思考链可复制
纳入模型披露清单
建立常规第三方审计
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。