如果你在搭多 LLM 系统——让几个模型互相辩论、彼此评审输出、或者组成评审团一起裁决——那这条研究直接关系到你怎么选成员。这类系统能不能带来价值，前提是模型们面对同样的输入时，真的会给出可测量的不同行为；如果它们行为高度趋同，多模型就只是多花算力。问题是：怎么挑出一组行为足够多样的模型？ 此前的主流答案来自离线研究：按模型家族来选，每个家族（比如 Llama 系、Qwen 系）只取一个。背后的依据是一个被反复观察到的现象——当 LLM 互相打分时，会偏爱自家家族产出的内容。于是"家族标签"被当成了行为多样性的代理指标。但这里有个被忽略的环节：这些证据大多来自模型孤立打分的离线设定，而真实部署的多模型系统是交互式的——模型在多轮对话里相互应答、相互影响。家族标签在交互场景里还成立吗？这正是本文要补的洞。 作者的做法是用规模化的对话语料来检验。一份语料有 94 万条对话链、覆盖 11 个 checkpoint；另一份是 160 万条链的"同一 base 的 Llama 析因实验"——所谓析因实验，就是把可能影响行为的因素（这里关键是对话伙伴是谁）系统性地组合起来分别测量，从而把单一变量的效应干净地分离出来。同 base 意味着这些 checkpoint 出自同一个基础模型，差别只在后续的 post-training，这样一来家族这个变量被控制住了，剩下的差异就能归到 post-training 配方上。 他们选定的核心指标是 hedging，可以理解为模型说话时回避绝对、留余地、打太极的倾向。论文把它称作"validated headline metric"（经过验证的主指标）。核心发现是：一个经 reasoning 蒸馏的 Llama checkpoint，仅仅因为它应答的对象换成了同一个 base 的另一个 checkpoint，hedging 指标就漂移了 18%。关键的对比在于——这个 18% 的幅度，超过了受控子集里任何一对跨家族之间的 hedging 差距。也就是说，"同家族内部、只因对话伙伴不同"造成的行为差异，已经盖过了"不同家族之间"的差异。家族标签作为多样性代理，至少在这个指标上失效了。 作者还报告了旁证：在 Qwen、闭源 API 模型以及一些运行时检查上，类似的模式也有迹象，说明这不是 Llama 独有的孤例。这把结论从"某一个模型的特例"往"较普遍的规律"上推了一步——尽管旁证的强度不如主实验那条 18% 的硬结果。 对实践者的意义比较直接：如果你在组多模型评审团或辩论系统，按家族各取一个未必能买到你想要的行为多样性；真正决定对话行为的，更可能是每个 checkpoint 经历了什么样的 post-training（比如有没有做 reasoning 蒸馏、用了什么对齐配方）。论文据此主张，应把 post-training 配方当作选 panel 成员时的一条"一等公民"轴，而不是只盯家族标签。 诚实的保留也要说清楚。论文自己标注，repair 与 challenge 这两项分析仍属探索性（exploratory），原因是它们依赖的 surface-cue 检测器较弱——也就是说，除 hedging 之外的对话行为维度，证据还没到主指标那么扎实。整篇的硬结论主要立在 hedging 这一个指标上；它是否能推广到对话质量的其他方面，还需要更多验证。此外原文摘要在量化上只给了 hedging 的 18% 漂移与两份语料的规模，跨家族的具体差距数值、其他指标的提升幅度原文未给出，这里不做推断。