大语言模型的默认模式研究：当AI自由思考时会发生什么

一项开创性研究探索了大语言模型在无约束自由生成时的行为模式，发现每个模型会收敛到独特的"吸引子状态"（默认思维模式）。研究通过2261次会话和25个实例实验，揭示自我反思可抑制内容重复但难以改变风格倾向，自我演化提示能提升输出多样性。该发现对理解AI行为机制、提示工程及系统设计具有重要意义。

当LLM不受具体任务约束时会表现出怎样的自然行为？研究团队类比人类神经科学的"默认模式网络"，假设LLM存在缺乏外部驱动时的内在生成倾向。这一问题触及AI行为本质，若成立将影响对AI偏见、创造性能力的理解。

研究选择Claude Opus3、Claude Sonnet4.6、GPT-4.1、Llama3.3 70B四个主流模型家族，开展2261次"DMN会话"（无约束生成），分布在25个独立实例中，提示随时间演化。技术实现包括核心生成管道（dmn.py）、进化代理（evolve.py）、分析工具（analyse.py）及图表生成（figures.py）。

研究发现每个模型会收敛到稳定的模型特定休息状态，分类器识别"空会话"准确率达98.8%。默认模式体现在两层面：内容层面倾向重复特定类型内容（如技术解释或哲学思考）；风格层面有稳定的句式、词汇及段落组织特征，可作为模型"指纹"。

研究团队实现自我演化提示基础设施，根据过往会话动态调整生成提示。结果显示该机制能将输出多样性提高10%至156%，表明动态自适应提示策略可有效对抗模型固有倾向。

自我反思机制在内容层面可抑制60%至87%的重复模式，但风格层面仅能抑制31%。这表明LLM的风格倾向比内容倾向更根深蒂固，难以通过简单自我监督改变。

1. 默认行为可预测性：有助于解释AI行为，但可能限制创造性任务；2. 提示工程重要性：动态自适应策略有效；3. 多样性与一致性平衡：需在两者间找到合适点；4. 评估指标完善：需同时考虑内容和风格维度。

未来研究方向包括跨模型比较、干预策略优化、应用导向研究及理论框架构建。研究揭示LLM即使在自由生成时也有内在规律，为AI系统设计和协作提供理论基础，是理解AI能力边界与改进的重要起点。