聊天模板如何切换大模型的"自我称谓"？

一个被忽视的细节：模型如何称呼自己

大语言模型（LLM）在对话中经常会说"作为一个语言模型（As a Language Model）"，这句话已经成为许多人辨认AI生成内容的标志性开场白。但一个来自 Hacker News 的讨论（获得 21 个赞、7 条评论）指出了一个更底层、也更值得玩味的现象：模型的这种"自我称谓"并非固定不变，而是会随着**聊天模板（Chat Template）**的切换而发生改变。

换句话说，同一个底层模型权重，在套用不同的对话格式模板时，可能会以完全不同的"身份口吻"来指代自己——有时说自己是"语言模型"，有时又会以助手、AI 或其他角色自称。这背后揭示的是当前 LLM 应用中一个常被开发者低估的机制。

什么是聊天模板

聊天模板是指在将用户输入送入模型前，用于组织对话结构的格式化框架。它规定了系统提示（system prompt）、用户消息、助手回复等各部分如何拼接成模型能够理解的输入序列。不同的模型家族（如 Llama、Qwen、ChatGLM 等）往往使用不同的特殊标记（special tokens）和角色标签来划分这些部分。

模板的作用远不止"排版"。它实际上是在推理阶段告诉模型："你现在处于一段对话中，你扮演的是助手这个角色。"当模板中隐含或显式地定义了模型的身份设定时，模型在生成回复时的自我指代方式就会随之改变。

为什么模板会影响自我称谓

模型在训练时会接触到大量按特定格式组织的对话数据。这些格式中的角色标签（如 <|assistant|>、[INST] 等）与训练语料中的自我表述习惯高度绑定。当推理时使用的模板与训练时保持一致，模型就会"顺理成章"地沿用训练时学到的自称方式；而一旦模板结构发生偏移，模型对"我是谁"的判断也会随之漂移。

这解释了为什么有开发者会发现：仅仅调整了对话模板的写法，模型就从"作为一个 AI 助手"变成了"作为一个语言模型"，甚至完全不再进行自我限定式的声明。

以几种主流格式为例：Llama 2 使用 [INST]...[/INST] 包裹用户消息，并在开头插入 <<SYS>> 块承载系统提示；Llama 3 则改用 <|begin_of_text|>、<|user|>、<|assistant|> 等特殊 token；Qwen 系列采用 ChatML 格式，以 <|im_start|>system 开头；而 ChatGLM 早期版本使用完全不同的 [Round 1] 式对话分隔符。这些差异不仅是符号层面的，它们在预训练和指令微调阶段被大量重复，使模型将特定格式与特定行为模式深度绑定。因此，即便是同一套模型权重，在 HuggingFace transformers 库中通过 tokenizer.apply_chat_template() 应用不同模板后，模型"感知"到的上下文语义实际上已经发生了本质变化。

对开发者的实际意义

这个看似细微的现象，对实际部署 LLM 应用有几点直接影响：

输出风格的一致性问题。 如果团队在开发过程中随意修改或使用了与模型不匹配的聊天模板，可能会无意中改变模型的语气和自我定位，导致产品体验前后不一致。

越狱与安全边界的相关性。 模型的"作为一个语言模型"往往伴随着安全免责声明。当模板切换削弱了这种自我称谓时，也可能间接影响模型触发安全护栏的倾向，这是安全研究值得关注的方向。

评测结果的可复现性。 在做模型对比测试时，如果没有严格统一聊天模板，测得的"性格"或"风格"差异可能并非来自模型本身，而是模板差异造成的假象。

值得一提的是，这一问题在本地部署场景（如使用 Ollama、llama.cpp、vLLM 等推理框架）中尤为常见。这些工具允许用户自行指定或覆盖聊天模板，而许多用户并不清楚自己所用的 GGUF 或 safetensors 模型文件内嵌了官方推荐的模板配置。当框架默认模板与模型训练时使用的格式不一致时，模型的行为会在难以察觉的情况下发生漂移——不仅是自我称谓，还包括拒绝回答的阈值、回复的详细程度，乃至对多轮对话上下文的理解方式。排查此类问题的基本步骤是：在 HuggingFace 模型页面或 tokenizer_config.json 中确认官方 chat template，并与实际部署时使用的格式逐字对比。

一个提醒：格式即行为

这个讨论最核心的启示在于：对 LLM 而言，输入格式本身就是一种隐性指令。开发者常把注意力集中在系统提示词的措辞上，却容易忽略承载这些提示词的模板结构同样在塑造模型的行为。

对于希望精确控制模型输出的团队来说，采用官方推荐的、与训练一致的聊天模板，并在做任何微调实验时保持模板一致，是保证结果可靠的基本前提。这个小小的"自我称谓"变化，恰恰是观察模型行为如何被格式驱动的一个绝佳窗口。

（注：本文基于 Hacker News 上的一则简短讨论展开分析，原始讨论信息量有限，文中部分技术推断为基于通用 LLM 原理的合理延伸。）