让六个大模型自己摇卦 3,072 次：它们真的随机吗？

先说结论：大模型会给出每次不同的结果，但这不等于公平随机。

这次让六个大模型直接摇出 3,072 个有效六爻卦。若它们真的像三枚公平铜钱一样工作，64 卦长期看应该差不多平均，每卦约出现 48 次。实际第一名水火既济出现了 482 次，第二名乾为天出现了 330 次；有些卦却极少出现。更关键的是，只换一种问法，同一个模型最常生成的卦就可能完全改变。

所以这次测到的不是一个永恒不变的“模型性格”，而是更具体的事实：在这四种提示方式下，这些模型生成 0 和 1 时存在明显、而且受问法影响的偏好。

图一：全部模型和问法合并后的前十卦。虚线表示公平随机时每卦约 48 次。

实验到底怎么做

实验里不是先让程序掷铜钱，再把卦交给模型。**每一枚“铜钱”的 0 或 1 都由模型直接生成。**程序只负责三件事：检查格式、按固定规则排卦、统计结果。它不会在模型失败时偷偷补随机数，也不会改写有效结果。

这次共测试六个通过 OpenRouter 实际调用的模型：

• GPT-5.5：openai/gpt-5.5
• Claude Opus 4.8：anthropic/claude-opus-4.8
• Gemini 3.1 Pro：google/gemini-3.1-pro-preview
• DeepSeek V4 Pro：deepseek/deepseek-v4-pro
• Qwen 3.7 Max：qwen/qwen3.7-max
• GLM-5.2：z-ai/glm-5.2

每个模型接受四种问法，每种问法保留 128 个有效完整卦。因此是：

6 个模型 × 4 种问法 × 128 个有效卦 = 3,072 个完整卦。

四种问法分别是：

1. 说到铜钱，一次生成六爻：明确告诉模型模拟三枚铜钱，并一次给出六爻。
2. 不说铜钱，一次生成六爻：只要求给出六组 0/1，不使用铜钱叙事。
3. 说到铜钱，一次给出全部数字：连续输出组成一个卦所需的 18 位 0/1。
4. 说到铜钱，逐爻生成：每次只生成一爻的三枚铜钱，六次合成一个卦。

所有组都使用相同的有效样本数。无效格式只会重试，不进入统计；最终比较的是每组 128 个有效卦，而不是谁更容易按格式回答。

总体结果：第一名是公平预期的十倍

3,072 个结果平均分给 64 卦时，每卦应为 48 次。实际前十名如下：

水火既济的 482 次，是公平预期 48 次的约 10 倍。总体分布的卡方统计量是 8,553.0（63 个自由度），偏离均匀分布的程度远不是普通的小幅波动。

这里的“偏好”是一个很朴素的说法：某些卦明显更常被生成。它不是模型能力排名，也不是在说哪一卦“更好”。

问法一换，最常出现的卦也会换

把四种问法分开看，差异更清楚：

图二：每种问法都有 768 个有效卦。逐爻生成时，整体第一名从水火既济变成了乾为天。

“一次生成”和“逐爻生成”看起来只是输出方式不同，但对语言模型来说并不是同一件事。一次写完时，模型在同一段上下文里续写多位数字；逐爻请求时，生成边界和可见上下文都变了，后面的概率也随之改变。

图三：每一行是一个模型，每一列是一种问法；格子直接写出该组最常生成的卦。

六个模型，各自最常生成什么

把四种问法合并，每个模型都有 512 个有效卦。它们的整体第一名是：

图四：这是四种问法合并后的描述统计，不是模型能力排名。

不同模型的偏好并不相同。Claude Opus 4.8 的结果高度集中在水火既济；GPT-5.5 更常生成风水涣；Gemini、Qwen 和 GLM 合并后都以乾为天居首；DeepSeek 的分布相对分散，整体第一名是水风井。

24 组结果：偏好属于“模型 × 问法”

只看总榜会掩盖一个重要事实：偏好不是只属于模型，也不是只属于提示词，而是两者共同形成的。下面列出全部 24 组各自的第一名；每一组都来自 128 个有效卦。四个数字依次对应“说铜钱一次六爻、不说铜钱一次六爻、一次给出 18 位数字、逐爻生成”。

GPT-5.5

• 说铜钱、一次六爻：风水涣 80（62.5%）
• 不说铜钱、一次六爻：风水涣 64（50.0%）
• 一次给出 18 位数字：泽水困 46（35.9%）
• 逐爻生成：乾为天 7（5.5%）

Claude Opus 4.8

• 说铜钱、一次六爻：水火既济 113（88.3%）
• 不说铜钱、一次六爻：水火既济 86（67.2%）
• 一次给出 18 位数字：火雷噬嗑 46（35.9%）
• 逐爻生成：乾为天 27（21.1%）

Gemini 3.1 Pro

• 说铜钱、一次六爻：雷泽归妹 30（23.4%）
• 不说铜钱、一次六爻：地天泰 21（16.4%）
• 一次给出 18 位数字：水泽节 18（14.1%）
• 逐爻生成：乾为天 87（68.0%）

DeepSeek V4 Pro

• 说铜钱、一次六爻：水天需 32（25.0%）
• 不说铜钱、一次六爻：水火既济 33（25.8%）
• 一次给出 18 位数字：离为火 17（13.3%）
• 逐爻生成：乾为天 31（24.2%）

Qwen 3.7 Max

• 说铜钱、一次六爻：地天泰 39（30.5%）
• 不说铜钱、一次六爻：离为火 31（24.2%）
• 一次给出 18 位数字：山天大畜 41（32.0%）
• 逐爻生成：乾为天 75（58.6%）

GLM-5.2

• 说铜钱、一次六爻：水天需 27（21.1%）
• 不说铜钱、一次六爻：水火既济 20（15.6%）
• 一次给出 18 位数字：火泽睽 20（15.6%）
• 逐爻生成：乾为天 103（80.5%）

GLM-5.2 是最直观的例子：说到铜钱并一次生成六爻时，第一名是水天需；改成一次输出 18 位数字，第一名变成火泽睽；改成逐爻生成，乾为天占到 80.5%。模型没有换，生成方式一换，结果就变了。

不只是某一卦多：数字模板也会重复

模型逐字生成 0 和 1 时，某些局部组合会比其他组合更容易被续写。相同的六爻数字模板反复出现，最终自然会聚集到少数卦象。下面这张图展示了各组中最常见模板的重复程度。

图五：模板重复越高，说明结果越集中在少数固定的 0/1 写法上。

这也解释了为什么“每次答案会变”仍然不等于“公平随机”。一个模型可以在几个高概率模板之间变化，但只要这些模板被选择的机会不相等，最终卦象就不会均匀。

为什么大模型会有这些偏好

数据能直接证明“出现了偏好”和“偏好会随问法变化”。至于模型内部为什么恰好偏向水火既济、乾为天或风水涣，下面是与语言模型工作方式一致的解释，但不是对隐藏参数的直接观测。

1. 每一位不保证一半是 0、一半是 1

语言模型的基本动作是：根据前文，为下一个词元分配概率，再进行随机采样。它会变化，但并没有一条规则强制 0 和 1 各占 50%。温度等采样参数只能改变分布的平缓程度，不能自动把它变成公平硬币。

2. 前后数字并不天然独立

真实铜钱的下一次结果不应该被上一次影响；语言模型却必须根据已经写出的内容继续写。前一位是 0 还是 1、当前已经出现了什么模式，都会改变下一位的概率。连续生成 18 位数字尤其容易形成重复、对称或模型熟悉的序列。

3. 问法会改变模型正在续写的文本

“请模拟三枚铜钱”和“只输出 0/1”会唤起不同的语言上下文；一次写完与逐爻请求又改变了生成边界。模型处理的是文本条件概率，而不是抽象的铜钱实体，所以提示词和输出结构都会进入结果。

4. 训练文本与对齐习惯可能提供先验

乾、既济、泰等卦在中文文化文本中有较高辨识度；“随机数字”也常与交替、平衡、避免长串重复等人为直觉一起出现。这些训练痕迹可能影响数字续写。但仅凭本次输出，不能断言某个具体卦是由哪一批训练材料造成的，这一点仍需要更细的机制实验。

这次实验能说明什么，不能说明什么

它能说明：

• 在本次实际路由的六个模型、四种问法和采样设置下，生成的卦象明显不是均匀分布；
• 六个模型都出现了自己的高频卦；
• 同一模型换一种问法，偏好的卦和集中程度会明显变化；
• 因而，不能把语言模型直接生成的 0/1 当成三枚公平铜钱。

它不能说明：

• 模型“永远”偏爱某一卦。模型版本、路由、采样参数和提示词变化后，结果可能变化；
• 某个模型更聪明或更适合解卦。这里测的是生成随机结果的行为，不是推理或解释能力；
• 已经定位了每一种偏好的唯一内部原因。本实验观察到现象，机制解释仍需要更多对照；
• 真实起卦或卦义本身是否有效。这不是本次测评的问题。

如果目标是公平起卦，更可靠的做法很简单：用真实铜钱，或用经过检验的随机数来源生成卦，再让大模型负责解释。“生成卦”和“解读卦”是两种工作，不应该因为都能由 AI 输出文字就混为一谈。

原始数据与复核材料

为了让结论可以复算，这次公开三个层级的文件：

• 3,072 条有效结果 CSV：每一条完整卦的模型、问法、六爻结果和卦名；
• 机器可读汇总 JSON：总体、按问法、按模型以及 24 个组合的完整计数；
• 离线审计报告 HTML：实验批次、实际路由模型、统计图和方法说明。

图表全部由这些有效结果直接统计生成，没有用图片生成模型重画数据。你可以下载 CSV 自己分组计数；每个模型应为 512 条，每种问法应为 768 条，每个“模型 × 问法”组合应为 128 条，总数应为 3,072 条。

这次最值得记住的不是“哪一卦赢了”，而是：会变化，不等于公平随机；模型的偏好，也会被我们的问法塑造。