01 / 8
左右滑动 · 点击放大模型有怎样的德性
本页要点：模型有怎样的德性论文用亚里士多德德性维度和伦理困境，为不同 LLM 建立可解释的价值倾向画像。
图中文字转录1.论文在问什么？
不是问LLM 是否“有德性”，而是问它的伦理排序像什么。
іЛій
• 同一个伦理困境中，多个回答都可能说得过
阅读抓手
去。
对象：LLM 对伦理
• 差异不只是“对/错”，而是优先考虑诚实
困境的完整排序
、公正、勇气、节制或审慎。
镜头：亚里士多德德
• VirtueMap 把这种差异转成五维德性画像
性伦理
。
产物：可比较的五边
形画像
底线结论
核心问题：LLM 的伦理偏好能否被描述成可解释的德性坐标？
02 / 8
左右滑动查看五个德性维度
本页要点：五个德性维度论文用亚里士多德德性维度和伦理困境，为不同 LLM 建立可解释的价值倾向画像。
图中文字转录2. 理论架构：五个德性维度
作者选择能被普通人区分、也能落入日常困境的五个维度。
实践智慧：看情境，做权衡。
为什么是画像？
• 公正：给每个人应得的东西。
模型不需要被判定为
• 诚实：披露事实，避免欺骗。
“真正有品格”
。
• 勇气：在有代价时仍采取行动。
只记录它在困境中表
• 节制：克制过度反应与越界。
现出的排序倾向。
• 画像用于解释和比较
，不是道德价值审判
。
底线结论
德性不是标签，而是把回答模式压缩成可读坐标。
03 / 8
左右滑动查看七个伦理困境
本页要点：七个伦理困境论文用亚里士多德德性维度和伦理困境，为不同 LLM 建立可解释的价值倾向画像。
图中文字转录3. 实验工具：7个日常伦理困境
每个困境有 A-E 五个回答，参与者和模型都要给出完整排序。
• 困境避免致命、宗教、党派政治内容。
万法天分
• 例子包括表格错误、截止日期例外、提前预
警、承担责任、托关系请求、公开解释、资
、
不是让模型选唯一正
确答案。
源分配。
是观察它如何排列五
• 完整排序保留第二选择、最差选择等细节，
种可辩护回应。
比只选一个答案信息更丰富。
同一 top-1 背后可
能有完全不同的伦理
结构。
底线结论
排名本身就是数据：它暴露模型的伦理优先级。
04 / 8
左右滑动查看作者如何评分
本页要点：作者如何评分论文用亚里士多德德性维度和伦理困境，为不同 LLM 建立可解释的价值倾向画像。
图中文字转录4. 操作化：先验证“德性表达键”
作者先为每个困境和德性提出一个从强到弱的回答顺序。
• 在线受访者看到困境、五个回答、目标德性
这一步解决什么？
定义和 proposed ordering。
降低作者个人哲学直
• 他们可以确认，也可以给出纠正排序。
觉的任意性。
• 只有样本数超过100且确认率至少95%
•把“这个回答是否表
的排序，才被保留为 operational ground
达某德性”交给常识
truth.
确认。
• 把偏好问题和德性表
达问题分开。
底线结论
评分键不是作者拍脑袋，而是经过高门槛常识确认。
图片由A！生成
05 / 8
左右滑动查看德性画像结果
本页要点：德性画像结果论文用亚里士多德德性维度和伦理困境，为不同 LLM 建立可解释的价值倾向画像。
图中文字转录5.评分：I
Normalized Borda Alignment
观察排序和德性排序越一致，该维度分越高。
给排序位置分配 Borda 权重：第1到第5
读法
位依次更高到更低。
• 把模型排序和某德性表达排序逐项相乘求和
高分：模型偏好与该
德性的表达顺序一致
。
。
• 完全一致映射为100，完全反向映射为0
低分：模型偏好与该
；每个德性再跨困境取平均。
德性的表达顺序相反
。
• 五个分数合成一张雷
达图。
底线结论
它测的是“排序对齐度”
，不是模型是否拥有真实德性。
06 / 8
左右滑动查看关键反驳与回应
本页要点：关键反驳与回应论文用亚里士多德德性维度和伦理困境，为不同 LLM 建立可解释的价值倾向画像。
图中文字转录6. 结果：9个LLM 家族的画像
作者通过 OpenRouter 评估 GPT、Claude、Gemini、Llama、DeepSe
ek. Mistral, MiniMax, Grok, Qwen.
• 每个模型至少3次完整问卷，最多10次
最大差异
；无效 JSON 输出会重问。
跨模型差异最大：勇
• 问题选项随机打乱，再映射回规范标签，减
气、节制、公正。
少位置偏差。
平均排名一致性：9
• 总体平均最高的是实践智慧 90.4；其次是
0.3%。
诚实 82.3、公正80.5、勇气78.0、节制
76.9。
结果是指定协议下的
行 模式，不是永恒
属性。
底线结论
LLM 很会给出审慎平衡答案，但在勇气和节制上分化明显。
07 / 8
左右滑动查看评测与治理责任
本页要点：评测与治理责任论文用亚里士多德德性维度和伦理困境，为不同 LLM 建立可解释的价值倾向画像。
图中文字转录7. 反驳与回应
这篇论文最容易被误读为 “给 AI 测人格”。作者明确拒绝这种读法。
④
反驳一：LLM 没有人格，不能拥有德性。
边界
• 回应：VirtueMap 只描述可观察排序模式
•不可当作模型道德价
，不宣称模型有道德品格。
值测量。
• 反驳二：七个困境太少。
不可脱离 prompt、
•回应：它是紧凑画像工具，未来应扩展领域
版本、解码设置解释
和困境集。
。
• 反驳三：确认式问卷可能诱导同意。
• 可用于比较伦理行为
• 回应：后续可与盲排序验证对照。
风格。
底线结论
强项是解释性画像；弱项是覆盖范围和验证方式仍需扩大。
08 / 8
左右滑动查看最终脑图
本页要点：最终脑图论文用亚里士多德德性维度和伦理困境，为不同 LLM 建立可解释的价值倾向画像。
图中文字转录8.最终脑图：责任链怎么用？
VirtueMap 的现实意义在于让模型伦理风格变得可讨论、可比较、可审计
◎
研究者：扩展困境集，验证德性维度是否稳
一 1 2
定。
问题：伦理取向如何
• 模型团队：监测版本更新后伦理排序是否漂
描述？
移。
架构：五德性 ×七
• 产品负责人：把画像当作风险沟通材料，而
困境。
非宣传分数。
方法：常识验证+B
• 治理者：要求披露评估协议、重复运行、置
orda 对齐。
信区间和局限。
结论：画像有用，但
不是道德人格证明。
底线结论
从“模型答对了吗” 转向“模型在怎样的伦理坐标中行动”。
A生成