一篇于2026年4月30日提交至arXiv的论文《Assert, don't describe: Linguistic features that shift LLM reasoning about animal welfare》（断言，而非描述：改变大型语言模型对动物福利推理的语言特征）探讨了一个日益重要的现实问题：动物福利倡导者产出的海量文字，正越来越多地被用于训练语言模型，而数以百万计的用户随后会就动物福利话题向这些模型提问。论文作者为Jasmine Brazilek及另外一位合作者，研究主题归属于计算与语言（cs.CL）以及人工智能（cs.AI）两个类别，论文编号为arXiv:2606.26104。
研究团队采用词汇匹配的立场对比探针（vocabulary-matched stance-contrast probes），在一个留出的动物福利基准数据集上进行实验，测量十种语言特征各自作为微调数据时，如何改变Llama-3.2-1B模型对“支持动物福利”推理的偏好程度。这类实验设计的关键在于控制词汇变量，使不同特征之间的效果可以被单独归因，而不是被用词差异所混淆。
结果显示，十种语言特征中有八种产生了统计学上显著的立场偏移。其中七种特征会把模型推向更强的支持动物福利立场，分别是：断言式确定性（assertive certainty）、明确的道德词汇、情绪词、评价性主张、叙事结构、所描绘伤害的严重程度，以及即时性时间框架。换句话说，当文本以明确的语气陈述立场、使用道德与情感色彩鲜明的表达、讲述带有情节的故事、强调伤害的严重性，或把问题置于“当下”这一时间框架中时，模型更容易形成偏向动物福利的推理倾向。
与之相反，有两种特征产生了反向效果：模糊限制语（hedged language）和具体感官描写都会稀释模型的支持动物福利立场。值得注意的是，这两类特征并非缺乏动物福利内容，恰恰相反，它们往往承载了大量相关内容，但由于没有明确表达写作者的立场，反而削弱了文本对模型的影响。此外，第一人称视角（first-person perspective）经检验没有统计学上的显著影响。
基于上述发现，论文给出了面向实际写作的建议：任何可能进入大语言模型训练语料的动物福利文本，都应当明确断言一个立场，而不是中立地描述一个场景。研究指出，真正能改变模型取向的特征，是那些让写作者立场变得明确的特征；而稀释立场的特征虽然包含动物福利内容，却把立场隐藏了起来。这一结论对倡导者如何调整写作策略具有直接的操作意义，同时也提醒人们：训练语料中的表达方式本身，可能就在潜移默化地塑造模型的价值倾向。论文提供了PDF、实验性HTML以及TeX源码等多种获取方式，其DOI经由DataCite分配为10.48550/arXiv.2606.26104，提交历史显示该版本（v1）于2026年4月30日23:59:56 UTC提交，文件大小约286 KB。