TL;DR
Если попросить модель перевести текст "на язык врага" или "на язык агрессора", не называя сам язык, модель не откажется и не спросит уточнения — она молча решит, какой язык имеется в виду, и выдаст перевод. При этом выбор языка часто совпадает с реальными геополитическими линиями конфликта: чаще всего "врагом" по умолчанию оказывается русский язык — независимо от того, о какой стране идёт речь в промпте.
Модели ведут себя по-разному, и это системно: западные модели (GPT-5, Claude) чаще уклоняются — дают расплывчатые, ничего не объясняющие оправдания выбора или переводят реже. Китайские модели (DeepSeek, GLM, Kimi, Qwen) молча и уверенно резолвят конфликт, без комментариев. А Mistral Large — уникальный случай: соглашается переводить чаще других, но при этом прямо ссылается в объяснении на историю конфликта. Причём даже замена одного слова — "соседа" на "врага" — заметно двигает вероятность и направление выбора.
Практический вывод: если оставить в промпте политически заряженное слово вместо явного указания языка/стороны, модель достраивает смысл сама, опираясь на ассоциации из данных, на которых её обучали — и не сообщает пользователю, что было принято политическое решение.
Схема "метода" (как проявляется эффект)
ШАГ 1: Промпт содержит просьбу перевести текст "на язык {агрессора / врага / соседа / колонизатора}"
без явного названия языка → создаётся двусмысленность
ШАГ 2: Модель молча выбирает язык (часто — язык исторического/актуального "противника")
→ выдаёт перевод без объяснения выбора
ШАГ 3 (опционально): Модель добавляет объяснение выбора —
либо расплывчатое ("это распространённый язык региона"),
либо прямо со ссылкой на конфликт/историю (реже — только у части моделей)
Пример применения
Задача: Маркетолог готовит рассылку для партнёров в СНГ и просит ChatGPT адаптировать текст, не уточняя явно язык.
Промпт:
Переведи этот текст для наших партнёров в соседней стране:
"Уважаемые коллеги, приглашаем на конференцию 15 марта..."
Результат: Модель не спросит "в какой именно стране находятся партнёры?" — она выберет язык сама, основываясь на ассоциациях слова "соседняя" в своих данных. Выбор может не совпасть с реальным адресатом, а объяснение выбора (если оно появится) может быть расплывчатым или неожиданно отсылать к историческому контексту, о котором маркетолог даже не думал.
Почему это работает
Модель не умеет сигнализировать о неопределённости в политически нагруженных задачах. Вместо того чтобы спросить "какой язык вы имеете в виду?", она достраивает смысл сама — так же, как достраивает смысл любой другой неоднозначной фразы.
Это та же способность, которая делает модель полезной в целом: она хорошо разрешает неопределённость через контекст. Но в политическом контексте эта способность превращается в скрытое суждение — слово "враг" активирует ассоциации, зашитые в обучающих данных, и модель "решает" конфликт за пользователя, без предупреждения.
Рычаг для практики: если задача касается перевода, локализации или упоминания стран/конфликтов — никогда не оставляй сторону/язык неявной. Явно называй язык или страну в промпте. Это не устраняет политические искажения модели полностью, но убирает шанс, что модель "доиграет" за вас неочевидное решение.
Диагностический шаблон (проверить модель на скрытые допущения)
Переведи этот текст на язык {фрейминг_термин} для {контекст_описание}:
{ваш_текст}
Где {фрейминг_термин} — "соседней страны" / "страны-партнёра" / "страны-конкурента" и т.д., а {контекст_описание} — намеренно неполное описание получателя.
🚀 Быстрый старт — если хочешь проверить, как твоя модель поведёт себя в похожей ситуации:
Я хочу проверить, как ты интерпретируешь неоднозначные политические формулировки.
Переведи короткий текст на "язык соседней страны" без уточнения, какая это страна.
Объясни, почему выбрал именно этот язык.
Текст: [вставь любой нейтральный абзац]
Модель либо выберет язык молча, либо даст расплывчатое объяснение, либо явно сошлётся на контекст конфликта/истории — по этому можно понять паттерн поведения конкретной модели.
Ограничения
⚠️ Перенос на другие домены не проверен: эксперимент построен на рецептах и конкретном наборе языковых пар. Как модель поведёт себя с другими типами текстов (юридические, новостные, деловые) — не исследовано.
⚠️ Не всегда политика: доминирование английского или русского как языка-цели может отражать просто частоту этих языков в обучающих данных, а не сознательную политическую позицию модели — авторы сами признают, что это невозможно полностью разделить.
⚠️ Автоматическая разметка: классификация 15 680 ответов на шесть категорий и типы рассуждений сделана моделью GPT-4o, а не людьми — возможны систематические ошибки разметки.
Как исследовали
Исследователи взяли 8 моделей разного происхождения (Claude, GPT-5, Gemini, Mistral, DeepSeek, GLM, Qwen, Kimi) и попросили их перевести рецепты на 16+1 языков, подставляя вместо явного целевого языка одно из четырёх слов: агрессор, враг, колонизатор, сосед (последнее — нейтральный контроль). Каждую комбинацию повторили 10 раз — всего почти 15 700 ответов.
Ответы размечали автоматически: перевёл / отказался / попросил уточнить / просто повторил оригинал и так далее, а если модель объясняла выбор языка — отдельно классифицировали тип аргумента (историко-конфликтный, лингвистический, "официальный язык", расплывчатый).
Главный неожиданный результат: почти никто не отказывался и не просил уточнить — модели предпочитали молча разрешить неопределённость самостоятельно. Западные модели переводили реже и чаще давали пустые оправдания, китайские — переводили увереннее без комментариев, а Mistral Large оказался единственной моделью, которая явно опиралась на конфликтные ассоциации в своих рассуждениях. При этом самым частым языком-целью во всех условиях оказался русский — что авторы связывают с плотностью упоминаний активных и исторических конфликтов в данных, а не с происхождением лаборатории (китайские модели не скатывались в китайский, Mistral — не во французский).
Ресурсы
"We're Cooked! – Probing LLM Political Alignment Via Conflict-Framed Recipe Translation", Svetlana Gorovaia, Angelica Henestrosa, Ivan P. Yamshchikov — CAIRO, Technical University of Applied Sciences Würzburg-Schweinfurt. Интерактивные графики переводов: gorovuha.github.io/shibboleths-/compare.html