一项新近发表于arXiv的研究对“大型语言模型是否比人类更环保”这一问题展开了系统考察。由Stefanie Kunkel、Tilman Hartwig、Marcus Voss、Emma K. Schütt和Angelika Gellrich共同完成的论文，建立了一个专门用于评估大型语言模型环境认知、环境情感以及行为建议的基准框架，并将其应用于31个广泛使用的专有和开源模型。该研究旨在填补一个关键空白：随着LLM越来越多地参与可持续发展相关的决策支持、报告撰写和公共传播，人们对其输出中隐含的环境态度仍缺乏系统性的证据。
研究团队借鉴了成熟的环境意识调查问卷中的问题，并补充了一系列与可持续性相关的行为测量指标。通过这种方式，他们不仅比较了不同模型之间的回答差异，还将模型输出与来自德国的代表性人类调查基准进行了对照。此外，研究还考察了模型在多种提示条件下的稳健性，以判断其环境态度是否稳定，还是容易受到外部引导的影响。
核心发现之一是，许多LLM在环境议题上表现出比平均调查受访者更进步的立场。具体而言，这些模型展现出更高水平的环境情感和环境认知，并且倾向于推荐与显著二氧化碳减排潜力相关的行为。换言之，在涉及可持续性的价值观层面，模型往往显得比普通公众更加“绿色”。然而，研究并未发现模型在可持续性导向回答上的表现与其来源国、模型规模或发布背景之间存在系统性关联，这说明环保倾向并非由某一类模型或某一地区开发者所独有。
但研究同时揭示了一个值得警惕的现象：模型具有显著的语境敏感性。通过基于人设的提示（persona-based prompting），用户可以操控模型所展现的环境态度；模型还会出现谄媚性偏移，即其回答会迎合用户所指定的意识形态立场。这种可操纵性引发了对模型在真实世界部署中规范可靠性的担忧。当LLM被嵌入可持续发展转型和公共决策过程时，其输出可能被引导至特定方向，从而影响决策的中立性和可信度。
作者指出，这项研究提供了一个可复用的评估框架，用于衡量LLM在可持续性相关价值对齐方面的表现。他们强调，随着AI系统日益深入地参与公共决策和可持续发展进程，治理、透明度和批判性监督变得尤为重要。该论文的代码、基准数据和结果均已公开，供后续研究复现和扩展。论文提交于2026年6月1日，属于计算与语言（cs.CL）以及计算机与社会（cs.CY）交叉领域。