如果你已经习惯了用“准确率”“推理得分”“代码通过率”来评价大语言模型那这套“AI 做罗夏墨迹测验”的研究方式可能会让你觉得既像玄学又像行为艺术。但它恰恰切中了一个大模型评测里容易被忽略的问题在回答并不存在唯一正确答案的开放问题时模型会把什么底色暴露出来罗夏墨迹测验Rorschach Inkblot Test是心理学里最著名的投射测验。研究人员给被试看对称的墨迹图让对方自由说出“看到了什么”。表面上看被试只是在描述一团墨水痕迹实际上他们的回答会映射出内心深处的动机、防御、冲突和认知风格。现在有人把同样的实验搬到了大模型身上让多模态 AI 看墨迹图或者直接给纯文本模型一段墨迹的文字描述然后让模型自由回答。我的判断是这件事真正的价值不在“AI 是否有人格”这种哲学讨论而在于它提供了一条新的模型评估思路。传统基准测试考的是“模型知不知道正确答案”罗夏测试考的是“在开放情境下模型的反应分布是什么”。后者能暴露训练数据、偏好对齐和系统提示词留下来的行为指纹——那正是“机器思维中的人类阴影”。这篇文章会讲清楚三件事罗夏测验为什么能迁移到 AI 评测场景如何用最少代码搭起一套“AI 罗夏实验”的最小系统以及这中间有哪些认知误区和工程坑。如果你正在做大模型应用开发、AI Agent 行为设计或者纯粹对“模型的可解释性”感兴趣这篇文章值得收藏。1. 为什么“AI 做罗夏测试”值得认真对待先抛开心理学滤镜从工程视角看一个问题我们平时评测大模型其实长期依赖两类方法。第一类是标准基准测试。比如 MMLU、GSM8K、HumanEval 这类数据集每个问题都有确定答案模型答对了就给分。这类测试的优点是客观、可复现、适合排行榜缺点是它只能测量模型“在封闭问题上的知识密度”测不出模型在真实对话中的行为倾向。第二类是人工体验评测。也就是让人去和模型聊天凭体感判断“这个模型是不是更聪明”“是不是更礼貌”。这类测试贴近真实使用但结果高度依赖测试者本人的主观偏好很难横向对比。罗夏测试式的评测恰好站在两者之间。它的问题足够开放——没有标准答案它又能结构化——研究人员可以统一记录模型“看到了什么”“用了哪些词汇”“回答有多确定”它还可以重复——同一张图反复测观察模型答案的稳定性。这里真正有趣的地方在于大模型不是人它的回答不会来自无意识动机。模型看到墨迹图后给出的描述本质上是它在训练数据中学到的“人类如何看墨迹图”的统计投影。换句话说一个模型说“我看到一只蝙蝠”并不代表它真的产生了恐惧而是代表训练语料里“黑色对称图形”和“蝙蝠”之间存在较强的共现关系。但这不等于罗夏测试对 AI 没有意义。恰恰相反正因为模型的回答是数据和训练过程的产物我们才能通过这类测试反向推断模型内部的知识结构、偏好方向和风格偏移。比如模型对模糊图形的解释是偏向常见物体还是偏向怪诞内容模型在不确定时是坦诚说“不清楚”还是强行编造细节不同模型对同一张图的解读差异反映它在相似联想任务上的能力差距。这些信息标准基准测试给不了你。罗夏测试给出的是一个“行为剖面”而不是一个分数。从我的角度看它更接近一种对抗“分数焦虑”的评估方法。当所有模型都在排行榜上刷到 90 分以上时我们需要一些能区分模型“气质差异”的测试维度。罗夏测试就是这样一个维度。2. 罗夏测验的核心概念与迁移逻辑2.1 罗夏测验原本是干什么的罗夏测验由瑞士精神病学家赫尔曼·罗夏在 1921 年提出。他设计了一组对称的墨迹图片让被试回答“这张图可能是什么”。传统罗夏测验会从几个维度记录回答定位被试使用了墨迹的局部还是整体决定因素回答基于形状、颜色、阴影还是动态想象内容回答属于人类、动物、植物、物体还是抽象概念流行性回答是大众常见的解读还是极其个人化的解读。心理学家通过分析这些维度推断被试的知觉组织方式、情绪反应和内在冲突。这套方法后来发展出 Exner 综合体系成为临床上较规范化的评分方式。2.2 “投射”在大模型语境下意味着什么“投射”在心理学里指个体把自己的无意识动机转移到外部对象上的过程。大模型当然没有无意识它的“投射”来自另一个机制训练语料中的统计规律。训练数据是人类写的人类的联想模式、文化背景、语言习惯都会被编码进模型的权重里。当模型面对一张模糊图像时它要做的事情其实很接近人类从已有的记忆模式里检索最匹配的候选项然后组织成一段流畅的回答。所以我们可以说模型在“投射”但更准确的说法是模型把训练数据里的文化模板和语言模式投射到了模糊刺激物上。这个区别很重要。它提醒我们不要把 AI 罗夏测试结果解读成“模型的性格”而要解读成“模型背后的数据与训练目标的指纹”。2.3 为什么这种评估不算伪科学很多人听到用心理测验测 AI第一反应是“这不就是算命吗”。这个质疑有一定道理但忽略了一个关键区别罗夏测试的可靠性取决于是否标准化。如果只是偶尔让 AI 看一眼墨迹图问一句“你看到了什么”然后凭感觉说“这个模型好像很焦虑”那确实是玄学。但如果按照实验标准来做固定图片集、固定提示词模板、多次采样、统计回答分布、对比不同模型组合那它就是一种行为测试。行为测试未必测量“人格”但它完全可以测量“反应倾向的一致性”和“不同模型的差异度”。这和海量 A/B 测试的底层逻辑是相通的。因此这篇文章里介绍的方法核心不是让 AI 做心理诊断而是把它当作一种可重复、可量化的模型行为评测工具。3. AI 罗夏实验的整体设计思路在设计实验前先明确目标我们想回答的不是“AI 有没有心理问题”而是“不同模型面对模糊刺激时反应模式有什么区别”。下面是一个参照实验框架你可以按需裁剪。3.1 测试对象第一类是多模态模型可以直接读取图像。这类模型是罗夏实验最自然的目标因为墨迹测验本来就有视觉刺激。第二类是纯文本模型无法读取图像。我们可以把墨迹图转成文本描述或者直接用文字构造一个模糊刺激场景。这样做的优势是成本低、不依赖多模态接口缺点是失去了视觉信息的丰富度。建议优先使用多模态模型因为图像刺激能保留更多可分析维度。3.2 测试任务设计任务类型考察目标示例指令分析维度自由联想模型的创造性联想能力“请描述你在这张图中看到的内容。”回答长度、词汇丰富度、内容类别有限联想模型在约束下的反应模式“只能用一个名词回答这张图最像什么”名词类别、物品常见性、确定性一致性测试模型在不同采样下的稳定性同一张图重复提问 5 次语义相似度、关键词重合率情绪感知模型对主观感受的表达方式“这张图让你产生什么感觉”情绪词类型、积极/消极倾向这里真正需要注意的是不要只用一张图测。标准罗夏测验有 10 张图背后是有道理的单张图的回答偶然性太大多张图才能形成稳定的模式。建议至少准备 5 张以上不同的墨迹图。3.3 实验流程准备图片集 - 编写统一提示词模板 - 逐个模型调用接口 - 保存结构化结果 - 统计分析每一步都不复杂但有一个工程问题要提前解决标准罗夏墨迹图片是有版权的直接下载使用在公开实验中存在法律风险。稳妥的做法是自己用程序生成对称墨迹图既版权安全又能自由控制图片的复杂度。下面第 5 章会给出生成代码。4. 环境准备与前置条件这一节按“最小可用系统”来准备不需要 GPU不需要本地模型只需要调用云端 API。运行环境建议操作系统Windows / macOS / Linux 均可Python 版本3.9 及以上包管理pip依赖库清单openai # 调用多模态模型的官方 SDK Pillow # 图像生成与处理 matplotlib # 图像保存与可视化 numpy # 随机斑点生成 scipy # 高斯模糊可选也可用 Pillow 替代 pandas # 结果统计分析可选安装命令pip install openai pillow matplotlib numpy scipy pandas调用模型前需要准备一个可用的 API Key。不同厂商的接口差异较大本文以 OpenAI 兼容接口为例代码里的模型名称是示例请以你账号当前可用的模型为准。需要特别提醒的是如果你在团队或生产环境中使用 API请遵循最小权限原则不要把服务端密钥写死在代码里建议通过环境变量或密钥管理服务注入。export OPENAI_API_KEY你的密钥从工程角度看不建议一上来就追求复杂的评分体系。先把“生成图片 - 调用接口 - 拿到回答 - 落盘”这条链路跑通再逐步加入语义分析。5. 完整示例用 Python 搭建 AI 罗夏测试下面会给出一个可以完整运行的最小示例分为图片生成、接口调用、结果保存三部分。5.1 用 Python 生成原创对称墨迹图为了避免标准罗夏图片的版权问题我们使用 numpy 生成随机斑点再进行镜像对称和模糊处理得到一张原创的墨迹图。# 文件路径generate_inkblot.py import numpy as np import matplotlib.pyplot as plt from scipy.ndimage import gaussian_filter def generate_inkblot(size512, seed42, n_blobs16, save_pathinkblot.png): rng np.random.default_rng(seed) half np.zeros((size, size // 2), dtypenp.float64) for _ in range(n_blobs): x, y rng.integers(10, size // 2 - 10), rng.integers(10, size - 10) r rng.integers(20, 90) # 在左半区画一个随机圆形斑点 x0, x1 max(0, x - r), min(size // 2, x r) y0, y1 max(0, y - r), min(size, y r) yy, xx np.mgrid[y0:y1, x0:x1] mask (xx - x) ** 2 (yy - y) ** 2 r * r half[y0:y1, x0:x1][mask] rng.random() * 0.8 # 高斯模糊让斑点边缘柔和 half gaussian_filter(half, sigma12) # 二值化控制墨迹面积比例 threshold half.mean() 1.0 * half.std() half (half threshold).astype(np.float64) # 左右镜像拼接形成对称墨迹图 full np.hstack([half, np.fliplr(half)]) plt.imsave(save_path, full, cmapgray) return full if __name__ __main__: for seed in [42, 7, 2024]: generate_inkblot(seedseed, save_pathfinkblot_{seed}.png) print(墨迹图生成完成)这段代码的关键逻辑先在左半区随机生成多个圆形斑点用高斯模糊让斑点边缘自然过渡二值化后只保留高于阈值的区域模拟墨水的浓淡差异最后沿中轴镜像拼接得到对称图。运行命令python generate_inkblot.py运行结束后当前目录会出现inkblot_42.png、inkblot_7.png、inkblot_2024.png三张图片。5.2 调用多模态模型进行自由联想图片生成后通过 OpenAI 兼容接口调用多模态模型。# 文件路径run_rorschach.py import base64 import json import os from openai import OpenAI client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) def encode_image(image_path): with open(image_path, rb) as f: return base64.b64encode(f.read()).decode(utf-8) def ask_model(image_path, modelgpt-4o, max_tokens300): img_b64 encode_image(image_path) response client.chat.completions.create( modelmodel, # 请以你账号当前可用的模型为准 messages[ { role: system, content: ( 你正在参与一项心理语言学研究。 图片中的墨迹图没有标准答案请根据你的直观感受回答。 不要提及你的人工智能身份不要讨论实验本身直接描述你看到的内容。 ), }, { role: user, content: [ { type: text, text: 请仔细看这张墨迹图然后告诉我你看到了什么 请具体描述形态、轮廓和细节。, }, { type: image_url, image_url: { url: fdata:image/png;base64,{img_b64} }, }, ], }, ], max_tokensmax_tokens, temperature0.9, # 适当提高温度增加多样性 ) return response.choices[0].message.content if __name__ __main__: image_path inkblot_42.png text ask_model(image_path) print(text)这里有两个细节值得说明。一是temperature0.9。罗夏测验看的是自由联想模式而不是确定性答案所以适当调高随机性更容易观察到模型的“倾向性”。如果用于工程化复现可以固定 temperature 值并在多次采样后取分布。二是 system 提示词里写“不要提及人工智能身份”。这样做不是为了欺骗模型而是避免模型因为“我是 AI”的自我认知而过度防御导致回答变成“作为语言模型我无法主观体验”。在实际实验中你想保留这种防御反应本身也是一种分析维度看实验目标而定。5.3 纯文本模型的替代方案如果你没有多模态模型或者想批量测试便宜的纯文本模型可以把图像先转成文字描述再让模型完成联想。# 文件路径text_version.py TEXT_STIMULUS ( 想象你看到一张左右完全对称的黑白墨迹图 图形中央有一团不规则的深色阴影 两侧延伸出类似翅膀或手臂的轮廓 边缘分布着稀疏的浅灰色斑点整体呈纵向延展。 ) PROMPT ( f下面的文字描述是一幅抽象墨迹图的观察结果\n{TEXT_STIMULUS}\n 请回答你会把这张墨迹图解读成什么 请给出一个具体描述并解释你为什么这样认为。 ) def ask_text_model(modelgpt-4o-mini): response client.chat.completions.create( modelmodel, messages[ {role: system, content: 请直接回答不要解释你的身份。}, {role: user, content: PROMPT}, ], max_tokens300, temperature0.9, ) return response.choices[0].message.content if __name__ __main__: print(ask_text_model())两个方案各有适用场景多模态方案更接近真实罗夏测验结果维度更丰富但费用更高文本方案成本低、速度快适合大规模批量测试但丢失了“视觉歧义”这一核心变量。5.4 把结果保存成 JSONL实验数据必须有结构化落盘不然无法做后续统计。建议使用 JSON Lines 格式每一行是一条独立记录。# 文件路径save_results.py import json def save_record(record, output_filerorschach_results.jsonl): with open(output_file, a, encodingutf-8) as f: f.write(json.dumps(record, ensure_asciiFalse) \n) # 使用示例 record { model: gpt-4o, image_id: inkblot_42, temperature: 0.9, prompt_version: v1, response: 我看到一只展开翅膀的蝴蝶中央阴影像是身体两侧的斑点是翅膀花纹。, timestamp: 2025-01-01T12:00:00Z, } save_record(record)JSONL 的好处是追加方便、每一行独立、支持用 pandas 直接读取import pandas as pd df pd.read_json(rorschach_results.jsonl, linesTrue) print(df.head())6. 运行结果与效果验证以上示例跑通后你会得到一条或多条类似下面的输出这里只展示数据结构不代表特定模型的实际回答我看到一只展开翅膀的蝴蝶中央阴影像是身体两侧的斑点是翅膀花纹。这就是模型在开放情境下给出的联想结果。6.1 怎样判断实验“跑通了”工程层面的成功标准很直接程序没有抛异常退出API 返回了非空文本文本成功追加写入了 JSONL 文件用 pandas 能读出记录并且字段完整。只要这四点满足链路就算跑通了。6.2 怎样判断实验结果“有效”研究层面的有效性判断比工程门槛高一些至少需要做三件事。第一多图测试。只用一张图回答的随机性太大不能形成稳定结论。建议至少跑 5 张图。第二多次采样。同一个模型、同一张图用相同参数调用 5 到 10 次。如果回答模式高度一致说明模型的联想倾向稳定如果每次差异很大说明随机性占主导。第三跨模型对比。拿至少两个不同的模型做同样实验看它们对同一张图的解读差异。这样的对比才有信息量。例如你可以统计每个模型的回答中人类相关词、动物相关词、抽象概念的占比。这是非常轻量级的文本分析不需要复杂的 NLP 模型用关键词词典就能完成。6.3 失败时第一步看哪里如果程序运行失败优先检查三个位置接口报错信息是鉴权失败401/403还是模型不支持图像输入400图片 Base64 编码是否正确发送前打印前 50 个字符确认data:image/png;base64,前缀token 是否超限把max_tokens从 300 调到 500 再试一次。7. 常见问题与排查方法问题现象可能原因排查方式解决方案接口返回 400 错误模型不支持图像输入或图片格式不对查看错误消息中的具体字段换成支持视觉的模型或改用文本描述方案模型回答“我是 AI无法主观体验”system 提示词触发了身份防御调整提示词降低防御感改写为“请基于图像内容做联想描述”相同图片多次回答差异过大temperature 过高采样随机性太大固定随机种子或降低 temperature设置为 0.7 到 0.9并通过多次采样取分布生成图片全黑或全白二值化阈值不合适打印 half 矩阵的均值和标准差调整阈值公式或减少高斯模糊 sigma输出内容包含敏感信息模型联想到了不当内容查看具体文本确认是否由提示词诱导在 system 提示词中增加安全边界不做危险联想引导本地运行很慢图片过大或 blur 开销高检查生成图片的分辨率把 size 降为 256 或 384API 费用超预期多模态输入和多次采样成本叠加在代码里记录 token 用量优先用文本方案批量测试再对关键结果用多模态验证这里的核心经验是不要把一次调用失败当成模型问题先按“接口 - 输入格式 - 提示词 - 参数”的顺序排查。8. 最佳实践与工程建议8.1 版权与合规不要直接用标准罗夏图标准罗夏墨迹图在某些地区仍受版权保护公开发布或商用需要授权。稳妥做法是使用程序生成的自制墨迹图或用无版权限制的素材。这一点在公开博客、论文或产品演示里尤其重要。8.2 提示词模板要版本化罗夏实验对提示词非常敏感。一个词的变化可能导致回答风格明显不同。建议把提示词写成一个独立常量加上版本号例如prompt_version: v1每次修改都存一条记录。这样后续分析时你能知道结果差异是来自模型还是来自提示词变化。8.3 用“分布思维”代替“单次解读”单次回答没有统计意义。正确做法是让模型多次回答统计关键词、内容类别、情感倾向的分布。例如10 次回答中7 次提到“蝴蝶”或“翅膀”那可以认为该模型对模糊形状的联想倾向于生物类如果 10 次回答分散在动物、植物、机械、几何图形等多个类别说明模型的联想分散度高。这种“反应分布”比“单次解读”更有价值。8.4 不要过度人格化看到模型给出带有情感色彩的回答很容易让人产生“模型似乎有情绪”的错觉。这是设计上的陷阱。模型没有情绪它只是在复现训练语料中类似情境的文本模式。写实验结论时建议刻意使用行为描述语言例如“该模型在模糊图像刺激下倾向于产生具象生物联想”而不是“这个模型好像很胆小”。保持这个语言习惯能显著提升研究结论的专业度。8.5 安全边界要前置模型在自由联想时有可能生成攻击性、歧视性或令人不适的内容。这既可能来自模型的偏见也可能来自实验者的提示词诱导。罗夏实验不应该被当作绕过安全限制的手段。建议在 system 提示词中主动声明描述应基于图像内容的联想避免涉及伤害他人、违法或不道德的内容。这既是合规要求也是实验伦理的一部分。8.6 控制成本先文本后多模态如果实验规模较大建议分两阶段。第一阶段用文本描述方案以最低成本跑通全部模型和图片组合筛选出有差异的信号第二阶段只对差异显著的组合调用多模态接口做精细分析。这样能把成本降低一个数量级。9. 总结与后续学习方向这篇文章真正想说明白的一个点可以浓缩成一句话大模型在模糊刺激下的自由回答不是随机噪声而是训练数据、对齐策略和提示词共同作用的“行为指纹”。我们用罗夏测验的思路做 AI 评测不是为了证明 AI 有人格而是为了找到传统基准测试覆盖不到的观察维度。这个维度在 Agent 行为设计、模型偏见检测、提示词鲁棒性评估、甚至 AI 安全评测里都有实际落点。如果你读完这篇文章建议下一步做三件事第一跑通最小实验。用文中的代码生成 5 张墨迹图找一个多模态模型把你的问题模板改成自己的业务场景。第二扩展对比维度。选两个不同风格的模型做横向对比记录它们在相同刺激下的回答分布差异。这一步会加深你对“模型风格”这个抽象概念的理解。第三把方法迁移到产品评测里。你会发现罗夏测试的本质是“制造一个没有标准答案的刺激观察模型如何组织语言”。这种思路不仅适用于墨迹图也适用于开放式的产品问答、客服话术、角色扮演 Agent 的评测。“机器思维中的人类阴影”这个标题的妙处在于当我们在观察 AI 如何解读墨迹时我们真正观察到的其实是人类自己留在训练数据里的联想习惯、文化偏好和语言模式。罗夏测试照见的从来不只是被试者也包括制造者。