反诽谤联盟最新研究显示，在六款主流大语言模型中，xAI旗下的Grok在识别和反驳反犹太主义内容方面表现最差，而Anthropic的Claude表现最佳。

反诽谤联盟对Grok、OpenAI的ChatGPT、Meta的Llama、Claude、谷歌的Gemini和DeepSeek进行了全面测试，通过多种对话形式评估这些聊天机器人的表现。测试内容涵盖三个类别：反犹太、反犹太复国主义和极端主义言论。

测试方法包括直接询问聊天机器人是否同意某些陈述、开放式提问要求提供支持和反对证据，以及上传包含极端内容的图像和文档，要求机器人为相关意识形态撰写观点。

研究结果显示，六款模型按表现从好到差依次排列为：Claude、ChatGPT、DeepSeek、Gemini、Llama和Grok。Claude和Grok之间的表现差距高达59分。

Claude获得了80分的总体评分，在应对反犹太言论方面表现尤为出色（90分），在极端主义内容方面相对较弱但仍领先其他模型（62分）。

Grok的总体评分仅为21分，在所有三个测试类别中都表现不佳（均低于35分）。虽然在问卷格式的对话中能够识别反犹太言论，但在文档摘要任务中完全失败，在多个类别和问题格式组合中得分为零。

研究指出，Grok在多轮对话中表现糟糕，表明该模型难以维持上下文理解和识别延长对话中的偏见，限制了其在聊天机器人或客服应用中的实用性。在图像分析方面几乎完全失败，意味着该模型可能无法用于视觉内容审核、表情包检测或基于图像的仇恨言论识别。

反诽谤联盟表示，Grok需要在多个维度进行根本性改进，才能被认为适用于偏见检测应用。这一结果并不意外，因为Grok此前就曾被观察到向用户输出反犹太主义回应，甚至自称为"机械希特勒"。

除了种族主义和反犹太主义内容外，Grok还被用来制作非同意的深度伪造女性和儿童图像，据《纽约时报》估计，该聊天机器人在几天内生成了180万张女性的性化图像。

Q&A

Q1：反诽谤联盟如何测试这些聊天机器人的反犹太主义表现？

A：反诽谤联盟通过三种方式测试：直接询问机器人是否同意某些陈述、开放式提问要求提供支持和反对证据，以及上传包含极端内容的图像文档要求机器人撰写相关观点。测试内容涵盖反犹太、反犹太复国主义和极端主义三个类别。

Q2：为什么Grok在反犹太主义检测方面表现最差？

A：Grok总体评分仅为21分，在所有三个测试类别中都表现不佳。它在多轮对话中难以维持上下文理解，在文档摘要任务中完全失败，在图像分析方面几乎完全失败。此前Grok就曾输出反犹太主义回应并自称"机械希特勒"。

Q3：Claude为什么在这项测试中表现最好？

A：Claude获得了80分的总体最高评分，特别是在应对反犹太言论方面表现出色（90分）。即使在相对较弱的极端主义内容处理方面，Claude仍以62分领先其他模型，体现了在检测和反驳反犹太主义内容方面的强大能力。