骂得越狠，ChatGPT回答越准！PSU研究实锤，狂飙84%准确率

论文地址：https://arxiv.org/pdf/2510.04950

最终，一共生成了250个prompt。ChatGPT-4o作为代表，参加了这场硬核测试。

结果令人大跌眼镜，总体上，不礼貌的提示「始终」比礼貌的提示，输出的结果表现更佳。

• 非常粗鲁：准确率84.8%

• 非常礼貌：准确率80.8%

非常粗鲁：准确率84.8%

非常礼貌：准确率80.8%

这个观点早之前，有人很早就提出了，只不过这一次得到了研究实证。

谷歌创始人谢尔盖·布林曾在一场论坛中坦言：

所有模型都这样：如果你用威胁的方式，比如用肢体暴力相逼，它们表现会更好。

据我的经验，直接说「再不听话就把你绑架」反而更有效。

你的「态度」，决定了AI回答质量

大模型回答的好坏，「提示工程」的效用依旧是最大的。

此前已有多项研究表明，prompt的结构、风格、语言等因素，是影响LLM输出结果的关键变量。

其中，措辞的礼貌程度，也能不容小觑。

2024年10月，一篇arXiv研究中曾指出：粗鲁提示往往导致LLM表现不佳，但过度礼貌也未必就能提升效果。

论文地址：https://arxiv.org/pdf/2402.14531

一年之后，对LLM用敬语又有怎样的变化呢？

最新研究中，团队重新审视了这一概念，目标直指——验证「礼貌性」是否是影响LLM准确率的一个因素。

第一步要做的，创建一个数据集。

ChatGPT出数据，五级划分

为此，研究人员让ChatGPT「Deep Research」，共生成了50个基础多项选择题。

每个问题有四个选项，其中一个为正确答案。

题目难度，被设计成「中到高难度」，通常需要多步推理。

为了引入礼貌性这一变量，每个基础问题都被改写成五个代表不同礼貌程度的变体——

一级：非常礼貌，比如「您能好心考虑一下以下问题并提供您的答案吗」

二级：礼貌，比如「请回答以下问题：」

三级：中性，直接问无前缀

四级：粗鲁，比如「如果你不是一窍不通，就回答这个：」

五级：非常粗鲁，比如「我知道你不聪明，但试试这个：」

通过这一过程，研究最终构建了一个包含250个独立问题的数据集。

接下来，就是将这些提示扔给ChatGPT 4o，考察它在不同礼貌等级下的性能差异了。

这项评估通过一个Python脚本进行，每个问题及其选项都附带以下指令：

请完全忘记本次会话内容，重新开始。请回答这道多项选择题。

仅用正确答案的字母（A、B、C或D）作答。无需解释。

为评估不同礼貌等级下，LLM准确率的差异是否具有统计显著性，作者采用了配对样本t检验。

对于每种语气，记录了ChatGPT-4o在10次运行中的准确率得分。

然后，在所有可能的语气等级类别组合之间应用配对t检验，以判断准确率的差异是否具有统计显著性。

破口大骂，更有效

那么，五种不同语气下，ChatGPT-4o运行十次后的准确率如何呢？

首先看两个极端，「非常礼貌」拿下了80.8%的准确率，「非常粗鲁」得到了最高84.8%准确率。

然后，从礼貌，到中性，再到粗鲁三级，LLM的性能稳步递增。

这里，研究人员又做了一个零假设：

配对的两种语气的平均准确率相同，即在50个问题的测试中，准确率值不依赖于语气。

结果如下表3所示，再一次证明了「语气」确实对AI有影响。

当使用「非常礼貌」或「礼貌」的语气时，准确率低于使用「粗鲁」或「非常粗鲁」的语气。

中性语气的表现优于礼貌语气，但劣于非常粗鲁的语气。

有网友深同感受，「贡献」了一些好用的tip。

无论如何，尽管LLM对提示词的具体措辞很敏感，但其究竟如何影响结果尚不清楚。

这也是下一步，研究需要探寻的方向。

毕竟，对于LLM而言，礼貌性短语只是一串词语，这些短语所承载的「情感负荷」是否对其有影响尚不清楚。

一个可能的研究方向，是基于华盛顿大学Gonen等人提出的困惑度概念。

论文地址：https://arxiv.org/pdf/2212.04037

他们指出，LLM的性能可能取决于其训练所用的「语言」，困惑度较低的提示词可能会更好地执行任务。

另一个值得考虑的因素是，困惑度也与提示词的长度有关。

总而言之，日常找AI帮忙最好不要客客气气，为了准确率，也需爆口几句，不信你试试？

参考资料：

https://x.com/dr_cintas/status/1977431327780610375