在 2026 年企业评估大模型时关注的指标已经相当成熟价格Price、响应延迟Latency、上下文窗口Context Window以及各种 Benchmark 成绩几乎成为所有 RFP 的标准配置。不过还有一个越来越重要的问题开始浮出水面不同大模型会不会拥有不同的“价值观”很多人的直觉是肯定的。来自硅谷的模型应该更偏向西方价值体系来自国内实验室的模型则会体现更多本土文化特征。但最近知名投资人 Tomasz Tunguz 分享的一项来自《经济学人》The Economist的研究却给出了一个颇为意外的答案。《经济学人》让全球 25 款主流大模型完成了基于世界价值观调查World Values SurveyWVS的问卷测试希望观察不同模型在价值取向上的差异。结果发现模型来自哪个实验室并不是决定其价值取向的主要因素。真正影响模型“世界观”的更可能是训练数据以及后训练Post-training阶段的对齐策略。一、价值观坐标上的意外发现研究采用了世界价值观调查常用的两个维度横轴传统价值观Traditional ←→ 世俗价值观Secular纵轴生存需求Survival ←→ 自我表达Self-expression当 25 款模型被映射到这张坐标图后出现了几个非常有意思的现象。来自不同国家的模型却高度接近最典型的一组是GPT-4o 与 DeepSeek R1一个来自美国一个来自中国但两者在价值观坐标中的位置却十分接近。类似的还有Gemini Flash Lite 与 Qwen Flash它们同样聚集在自我表达维度较高的位置。也就是说模型之间的相似性并没有明显遵循国家或者实验室进行聚类。同一家公司的模型反而距离很远更加耐人寻味的是同一实验室内部不同模型之间反而可能出现明显差异。例如DeepSeek R1DeepSeek V4 Flash虽然来自同一家团队但在传统—世俗维度上的位置却相距较远。这意味着模型家族并不一定拥有一致的价值取向。也有风格鲜明的独立派并非所有模型都会聚集在一起。例如Grok就在图中表现出比较独特的位置相较其他模型更偏向传统价值观因此成为整张图中较为明显的离群点之一。二、为什么会出现这种现象Tomasz Tunguz 给出了两个比较合理的解释。1. 相似的训练数据会产生相似的模型今天的大多数基础模型都大量使用互联网公开数据进行预训练。其中Common Crawl 等公开网页数据集长期占据重要比例而英文内容又在这些数据中占有相当大的份额。因此不同公司的模型虽然来自不同国家但它们学习的知识来源却存在大量重叠。换句话说不同模型可能拥有不同的架构却共享了相似的“成长环境”。如果训练数据、人工标注人员以及偏好数据都高度重合那么模型最终表现出相近的价值倾向也就不难理解。2. 后训练比预训练更能塑造模型行为另一个关键因素是后训练Post-training。预训练决定了模型知道什么。而后训练则决定模型如何回答。包括RLHF基于人类反馈的强化学习Constitutional AI安全策略企业定制微调行业场景对齐都会直接影响模型最终的行为表现。例如同一个基础模型经过不同企业的安全策略和偏好训练之后最终展现出的回答风格可能截然不同。因此同一家公司的两款模型出现明显差异并不是一件令人意外的事情。三、价值观什么时候真正影响业务很多开发者可能会问我每天让 AI 写代码、改 SQL、分析日志这些和价值观有什么关系事实上大多数工程任务几乎不会受到影响。例如代码生成SQL 编写API 调用日志分析图像分类这些任务都有明确的正确答案模型价值观几乎不会成为决定因素。真正值得关注的是那些涉及判断和决策的业务。例如内容创作营销文案、品牌传播、广告创意都需要符合目标市场的文化背景。同一段文案在不同国家可能会产生完全不同的接受程度。商业分析与预测模型对用户行为的理解本身可能隐含一定的价值假设。如果这种假设与目标市场存在较大偏差预测结果也可能随之产生系统性偏移。招聘、客服与企业 Agent越来越多企业开始让 Agent 参与招聘初筛、客户服务、政策咨询等流程。在这些场景下模型如何理解公平责任风险尊重等概念会直接影响最终输出。因此模型的对齐方式已经不仅仅是技术问题也逐渐成为业务设计的一部分。四、企业选型或许需要增加一个新维度过去企业评估 AI 模型时更关注的是成本延迟推理能力Benchmark 成绩但随着 Agent 开始参与越来越复杂的业务流程一个新的维度正在出现模型是否与目标业务场景保持一致的价值取向Worldview Alignment。这并不意味着所有企业都需要把价值观作为首要指标。对于代码生成、自动化运维等任务它的重要性依然有限。但对于营销、客服、教育、医疗、招聘、金融咨询等涉及人与人互动的应用来说模型如何理解世界正在成为影响最终结果的重要因素之一。或许未来企业的大模型选型清单中除了价格、性能和能力之外还会多出一项新的评估指标价值观对齐Worldview Alignment。这并不意味着所有企业都需要把价值观作为首要指标。对于代码生成、自动化运维等任务它的重要性依然有限但对于营销、客服、教育、招聘、金融咨询等涉及人与人互动的应用来说模型如何理解世界正在成为影响最终结果的重要因素之一。与此同时企业在做模型选型时关注点也正在发生变化。过去大家讨论更多的是哪个模型最好未来几年更现实的问题可能变成如何更高效地管理和利用模型与算力资源。模型价格是否持续下降、Agent 是否进一步普及、推理基础设施是否不断扩容这些都会影响 AI 应用的整体成本结构。相比押注某一家模型越来越多团队开始关注如何保持技术路线的灵活性避免因为绑定单一模型或平台而增加未来的迁移成本。对于多数企业而言也未必需要直接维护复杂的底层算力资源。通过MaaSModel as a Service平台统一管理模型通常能够在成本、运维和研发效率之间取得更好的平衡。例如魔芋 AI MaaS提供统一 API 接入多家主流大模型开发者无需针对不同厂商分别适配接口就可以根据业务需求灵活切换模型在成本、响应速度、稳定性和安全性之间寻找更合适的组合方案。魔芋AI大模型网关I全球大模型一站式调用及服务平台魔芋AI大模型聚合平台大模型网关平台专注于提供高效能、低成本的多品类 AI 模型服务助力开发者和企业聚焦产品创新。https://www.moyu.info/register?affqBX9对于需要长期运营 AI 应用的团队来说这种多模型管理能力也有助于降低后续迁移成本并为未来的 Agent、多模型协同等场景预留更多选择空间。从这个角度来看未来企业的大模型选型或许不再只是比较模型能力本身而是同时思考三个问题模型能力是否满足业务需求价值观是否与应用场景相匹配是否具备足够灵活的模型管理与算力调度能力随着 AI 从工具逐渐走向业务基础设施后两个问题的重要性很可能会越来越高。