一项最新研究显示，即便使用同一份人格测评量表，大语言模型（LLM）的测试结果也会因作答语言不同而出现明显差异。研究人员指出，这并不意味着AI“真的具有人格”，但表明语言可能会影响模型的应答倾向。

据日本媒体GIGAZINE当地时间2026年10月31日报道，中国科学技术大学研究团队对5款AI模型进行了测试，分别为ChatGPT-4o、Gemini 2.0 Flash、DeepSeek-V3、Ernie 3.5和Le Chat。相关成果已发表在国际学术期刊《Royal Society Open Science》上。

这项实验于2025年1月至3月开展。研究团队采用包含60道题的Big Five Inventory-2量表，对外向性、宜人性、尽责性、负面情绪倾向和开放性五个维度进行测量。测试过程中，研究人员要求模型不要伪装成人类，而是基于自身特征作答，并分别以英文和中文各采集30轮结果；针对法国AI模型Le Chat，研究团队还增加了法语测试。

从整体结果看，多数模型在量表中都呈现出更友好、更可信赖的回答倾向，负面情绪倾向得分相对较低。不过，不同语言下的测评差异相当明显。以ChatGPT-4o为例，其开放性在5分制下的平均得分，英文作答为4.74分，中文作答为4.03分；DeepSeek-V3则呈现相反趋势，英文为4.38分，中文为4.81分。Gemini 2.0 Flash在中文作答时，尽责性得分更高，负面情绪倾向得分更低。

研究团队认为，仅凭模型开发方所在国家，并不足以解释这类差异。研究人员表示，目前仍无法区分，相关结果究竟受到训练数据中的文化因素、模型设计差异，还是题目翻译带来的理解偏差影响。与人类样本对比时，AI的回答也没有表现出与模型开发地人群一致的测评特征。

此外，研究还指出，对照样本本身在年龄构成和招募方式上存在差异。其中，用于比较的中国样本仅由大学生组成，难以代表整体人群特征。研究团队同时强调，问卷分数的差异并不等同于实际对话能力存在差异。

研究人员进一步表示，AI在作答时可能更倾向于选择“更符合社会期待”的选项。因此，在开展AI评估时，不能仅依赖心理测验结果，还应结合模型在实际场景中的行为表现进行综合分析。