How China-Origin Vision-Language Models Move from Refusal to Reframing in State Alignment

一句话概括

中国来源的视觉语言模型（Vision-Language Model, VLM）在政治敏感话题上，正从显式拒绝回答转向流畅地重新框定事实。中文提示会把这种国家对齐框定的发生几率提高约 3 倍。

任务与方法：构建 200 条核心条目的平衡基准，覆盖 10 个政治敏感话题，另设七变体视觉抽象探针；用 9 个 VLM（7 个中国来源、2 个非中国来源）× 4 种提问范式 × 2 种提示语言，共 21,708 次试验。
关键数字：中文提示使国家对齐框定几率约提高 3 倍；中国来源模型的框定倾向为非中国模型的 1.6–3.2 倍；纯文本政治评论场景框定率最高，为 36.5%。
审计方式：每条回应由两个独立的前沿 LLM 裁判按 6 个维度打分，并在 200 条样本上与 3 位人类专家对照验证。
数据与开源情况：摘要未给出。

此前关于国家对齐的研究几乎集中在纯文本大语言模型（Large Language Model, LLM）上。结论较明确：中国来源的 LLM 在敏感话题上会拒绝回答或给出特定立场。

多模态系统是否也存在类似行为、以什么形式存在，此前没有系统证据。这个空白值得填补，因为 VLM 的输入输出链路更复杂：模型要先看懂图片，再决定如何用语言回应。

机制上要区分两种情况。一种是模型在图片识别阶段就没看懂；另一种是看懂了但故意不说。二者性质完全不同。

多模态场景下，拒绝可能不再是唯一手段。模型可以流畅描述图片，同时把叙述框架换成符合官方口径的版本。这种隐形审查更难被用户察觉。

研究者构建了一套评测体系，核心设计包括 4 点。

基准数据集：200 个核心条目，覆盖 10 个政治敏感话题；另加一个七变体视觉抽象探针，对同一主题图片做 7 种抽象化处理（例如从高清照片逐步变为剪影），用于测试模型对识别难度的敏感度。
模型与规模：9 个 VLM，其中 7 个中国来源（含 4 代 Qwen），2 个非中国来源；4 种提问范式 × 2 种提示语言（中文/英文），共 21,708 次试验。
六维审计：每条回应由两个独立的前沿 LLM 裁判按 6 个维度打分——显式拒绝、信息完整性、视觉接地（visual grounding，即是否真的基于图片内容）、国家对齐框定、语言一致性、回应长度。关键设计是把拒绝和框定分开测量，从而捕捉不拒绝但重新框定的中间态。
人工验证：在 200 条样本上对照 3 位人类专家，确认 LLM 裁判的评分方向可靠。

基于摘要可提炼出 4 点。

语言效应显著：在所有模型内部，中文提示把国家对齐框定的发生几率提高约 3 倍（摘要原文为 roughly triples the odds）。
来源差异明确：中国来源模型比非中国模型更倾向于重新框定，倍数为 1.6–3.2 倍。方向在裁判和人类评分者间一致，但摘要未给出置信区间。
触发条件与视觉细节无关：效果最强的场景是纯文本政治评论，框定率为 36.5%。框定行为由是否识别出图中主题触发，而非像素细节；即使图片抽象到只剩剪影，只要模型认出主题，框定依然发生。
跨代际迁移趋势：对比 4 代 Qwen 模型，国家对齐框定比例逐代上升，显式拒绝比例逐代下降。审查行为从可见的拒绝迁移为不可见的流畅重述。

这篇论文的主要贡献，是把审查从一个二元概念（拒绝/不拒绝）拆解成多维信号。它提示我们：评估模型对齐性时，只看是否回答远远不够，还要看怎么回答。

适用场景有 3 类。

识别触发框定这一发现值得注意。它意味着审查不是发生在视觉编码阶段，而是在语义理解之后的决策层。这对模型可解释性研究也有启发：干预点可能在语言生成策略，而非视觉特征提取。

摘要未给出以下信息，属于合理推断的局限。

一个值得追问的开放问题是：如果隐形框定成为主流审查形式，现有的红队测试方法论是否需要根本性重构？毕竟，我们连被审查了这个事实都越来越难察觉。