大语言模型语用能力不对称性：为何“听懂”容易“说好”难？

1. 项目概述：为什么我们需要关注大语言模型的“言外之意”？

如果你最近和ChatGPT、Claude或者文心一言这类大语言模型聊过天，可能会发现一个有趣的现象：它们能写出语法完美、逻辑通顺的长篇大论，但有时候，它们给出的回答就是感觉“不对劲”。比如，你问它：“我昨天把车钥匙放哪儿了？”一个理想的回答应该能识别出“你有一辆车”这个隐含的预设，并基于此进行推理或追问。但模型可能会直接回答“我不知道”，或者更糟，开始编造一个你放钥匙的地点，仿佛你确实有辆车一样。这种“不对劲”的感觉，其根源往往不在于模型的语法或事实知识，而在于它缺乏人类对话中那种心照不宣的“语用”能力。

语用学，简单来说，就是研究“弦外之音”的学问。它关注语言如何在特定语境中被使用和理解，核心问题包括：说话人如何通过字面意思传递更多隐含信息（会话含义）？一句话背后默认成立的背景知识是什么（预设）？一个言语行为（如承诺、请求）是如何被成功执行的？对于大语言模型而言，掌握语用能力意味着它不仅能理解字词，还能理解意图、语境和社交规则，这是实现真正自然、智能对话的关键瓶颈。

近年来，评估大语言模型的主流范式多集中在“听者”角色，即让模型扮演裁判或评分员，去判断一段文本的质量、相关性或正确性。这种方法固然重要，但它只揭示了模型理解能力的一面。在实际应用中，模型更多时候需要主动扮演“说话者”角色，去生成符合语境、得体且信息量恰当的文本。那么，一个核心问题就浮现了：大语言模型在“说”和“听”这两种核心语用能力上，表现是对称的吗？它作为一个“听众”能听出的语用错误，它自己作为“说话者”时能避免吗？

最近一项深入的研究，系统性地探讨了这个问题。研究者们设计了一系列精巧的语用学实验，让包括GPT-4、Claude、Llama、Qwen等在内的十余个主流大语言模型，同时扮演“说话者”（生成符合语用规则的句子）和“听者”（判断给定句子是否语用得体）两种角色。结果揭示了一个普遍且显著的不对称现象：模型在“听”（判断）任务上的表现，通常远好于在“说”（生成）任务上的表现。这种“说话者-听者不对称性”为我们理解大语言模型的内部工作机制打开了一扇新窗，也直接指向了提升模型实际应用效果的关键路径。本文将带你深入拆解这项研究的实验设计、核心发现背后的原理，并探讨其对模型开发和应用的实际启示。

2. 核心实验设计：如何量化模型的“语用商”？

要科学地评估大语言模型的语用能力，不能只靠感性的“觉得不对劲”，必须将其转化为可量化、可重复的评测任务。这项研究选取了语用学中三个经典且核心的领域：反预设、错误预设和演绎推理。每个领域都设计了对应的“说话者”和“听者”任务，形成直接对比。

2.1 任务一：反预设——生成与判断中的“量力而行”原则

反预设任务测试的是模型对“量准则”的掌握。量准则是语用学奠基人格莱斯提出的合作原则之一，要求说话人提供的信息量要恰好满足当前交流所需，不多也不少。在语言学中，这常常通过“预设触发词”来体现。

实验场景与设计：研究者构造了这样的上下文：“Alex bought a book and a magazine. Alex read ___.” 这里，空白处需要填入一个指代“书”的短语。根据量准则，最合适的填充是“the book”（那本书），因为它预设了“存在一本特定的书”，而这个预设已被前文“a book”满足。如果填入“a book”（一本书），则显得信息不足，仿佛前面没提过书一样。如果填入“both”（两本都），则信息过量，因为“both”预设了“有且仅有两样东西”，而前文只提到了书和杂志两样物品，这个预设虽然为真，但用“the”已经足够，用“both”就显得冗余。

• **说话者任务