大型語言模型正越來越多地被用於模擬和探測人類行為，例如在問卷調查等場景中替代或輔助人類受訪者。在這類應用中，一個關鍵性質是“分佈對齊”（distributional alignment）：模型的輸出分佈應當與某個參考分佈——在此即人類回答的分佈——相匹配。然而，實現分佈對齊的一大障礙在於如何從有限的少量訓練數據中泛化出去。Nelson Jo 的論文《Distributional Alignment of LLMs and Its Generalization Properties》正是圍繞這一難題展開，研究兩個核心問題：其一，如何讓大語言模型實現分佈對齊；其二，完成對齊的模型在面對未見樣本、無關話題與不相關任務時，可能如何泛化。
論文使用兩個大規模基準進行實證研究，結果顯示大語言模型確實能夠實現分佈對齊，並且能夠泛化到同一領域內此前未見過的問題上。這説明在訓練數據覆蓋的領域內部，對齊效果具有一定的可遷移性，模型並非只是機械記住訓練樣本，而是學到了某種可推廣的分佈特徵。這一結論對於將模型用於調查模擬、民意探測等應用具有直接的積極意義。
不過，跨話題的泛化表現則更為複雜。研究發現，跨話題泛化是否成功，取決於話題之間的關係。例如，涉及政治的問題與對制度的信任程度相關，因此這類話題之間可能存在可遷移的結構；而當話題之間缺乏這種語義或概念上的聯繫時，泛化效果就會大打折扣。換言之，分佈對齊的泛化能力並非普遍適用，而是受話題間內在關聯性的約束。
更值得注意的是，論文指出了一個出人意料的副作用：完成對齊的大語言模型可能以令人驚訝的方式出現性能退化，例如喪失創造性能力。這意味着，為了讓模型在輸出分佈上貼近人類參考分佈，可能會犧牲模型在其他維度上的能力，而且這種代價並不總是可以事先預見。作者據此得出結論：對齊後模型的泛化性質本質上是不可預測且不穩定的。
該研究的意義在於，它既確認了分佈對齊在技術上是可行的，又提醒使用者不能簡單假定對齊後的模型可以可靠地遷移到新場景。對於依賴大語言模型進行人類行為模擬的研究者和實踐者而言，這意味着在部署前需要針對具體話題和任務進行驗證，而不能僅憑同領域內的良好表現就推斷其跨領域可靠性。論文發表於 IJCAI 2026 的 Augmented Democracies 研討會，屬於計算與語言（cs.CL）以及人工智能（cs.AI）交叉領域的工作，提交時間為 2026 年 10 月 5 日。