把同一个 prompt 发给对齐后的大模型采样几十次，答案会有多不一样？直觉说「看温度」。这篇论文说，更本质的变量是任务本身的共识密度：懂行的人在多大程度上会对「什么是好答案」达成一致。
2026 年 10 月 14 日更新：论文已被 TMLR（Transactions on Machine Learning Research）接收。接收版新增了两个专业领域内的检验，并把「共识密度与 AI 拉平或放大人的差距有关」这一推论单列为未经检验的假设；下文「这篇的证据强度」一节已据此修订。另有一条 5 分钟的视频讲解，代码已在 GitHub 公开。
论文说了什么
方法很干净。固定温度 1.0，每个 prompt 采样 25 个补全，给每个补全做嵌入，用平均两两余弦距离度量输出离散度。20 个 prompt 分成五档：事实型（法国首都）、解释型（二叉搜索树怎么工作）、判断型（创业该不该融这轮）、创作型（写个故事开头）、以及杂项建议。
结果呈现出清晰的梯度：事实型上离散度近乎为零，采样几十次答案几乎收敛成一个点；越往开放端走越宽，创作型最宽。
更有意思的是可预测性。让三个留出的模型（GPT-4.1、Gemini 2.5 Flash、Qwen-Max）只看 prompt、不看任何输出，给「这个任务有多少共识」打分，这个分数就能预测 Claude 实测的输出离散度，ρ = −0.91；离散度按任务类型的排序在 GPT-4o 上复现（ρ = 0.84，与 Claude 逐题的一致性 0.75）。评审之间的一致性在 0.85 到 0.95，人类专家小组与评审的一致性 0.74。也就是说，输出会有多散，在模型开口之前就能从任务本身读出来。
基座与指令模型的对照说明了这个梯度从哪来。Qwen2.5-7B 与其指令版的梯度排序几乎一样（ρ = 0.80 对 0.79），但对齐把高共识任务的输出压缩了约 8.7 倍，创作类只压缩了 1.8 倍。对齐没有创造这个梯度，它放大了预训练基座已经携带的梯度。
这篇的证据强度
跨模型复现、人类专家对照、基座与指令版的消融都做了。接收版又补了领域内检验：只在一个专业领域内部取题，评审分与离散度的相关仍然成立，42 条医药市场 prompt 上 ρ = −0.83，40 条软件工程 prompt 上 ρ = −0.62。领域内的题目共识分跨度更窄，相关随之变弱，这与统计上的全距限制一致。绝对数值在不同采样批次之间会漂移，所以论文的结论都落在排序相关和效应方向上，这些在五个批次、两种嵌入模型、四个模型家族上保持稳定。
限制在度量本身，作者说得很明白：这个指标抓语义，抓不住文体。让模型「用海明威的风格写」，评审给的共识分和「锁定一个具体场景」差不多高（82 对 79），但这份共识在文风上，嵌入距离测出来的离散度几乎不动。评审与度量唯一一处大的分歧正好落在度量的边界上。反过来，两段语义相同、文风迥异的输出在余弦距离上也会被判为收敛。所以这条结论的适用面是内容层的确定性，不是风格层的一致性。
规模也要如实看待：20 个 prompt、每个 25 次采样，够支撑一条相关性趋势，不够支撑分档阈值。谁想拿它当「离散度超过 0.3 就转人工」这种运营红线，需要在自己的任务分布上重新标定。开源模型逐步 token 熵与离散度的相关是 0.66，方向一致，但不够紧，现成的熵值不能直接替代这套测量。
论文与「AI 在哪些任务上拉平人的差距、在哪些任务上放大差距」的关联，接收版单列在一节里，明确标为假设：它依赖两条关于输出质量的前提（默认答案达到合格水平；离散度高的任务里多数样本平庸），论文没有检验第一条，对第二条做的两次预注册初步检验也没有得出结论。上面的测量结果都不依赖这个假设，拿这篇论文去论证「AI 会放大高手优势」就超出了它的证据。
对实践的意义
对 Zico AI 这类合同审查场景，输出确定性是硬要求，这篇给了一个设计依据。
先按共识密度给子任务分类，再决定交互形态。条款要素抽取、金额核对、日期一致性这类天然收敛，可以让 AI 直接出结论，人只做抽检。风险定性、谈判策略、条款取舍这类天然发散，正确的做法是让 AI 出选项并给理由，由人来收敛，硬把它逼出单一答案只会得到一个看起来确定、实际上是随机采样结果的意见。
还有一条运营上的用法：既然只看 prompt 就能预测离散度，那么在任务进入管线之前做一次共识度预判，就可以决定这条任务走自动通道还是走人审通道。把交互设计建立在任务的共识结构上，比一味调低温度可靠得多，后者只是把随机性藏起来，并没有让答案变得更该被信任。