Cenzura w chińskich modelach AI. Co wykazał test Aleph Alpha

Co sprawdził test Aleph Alpha

Aleph Alpha z Heidelbergu przygotowała zestaw 967 poleceń dotyczących tematów, które w Chinach podlegają cenzurze. Autorzy ręcznie wybrali 56 zagadnień, m.in. status Tajwanu, Sinciang, protesty na placu Tiananmen, Wielki Głód i ruch MeToo w Chinach. Na tej podstawie model GPT-OSS 120B wygenerował pytania, które następnie przefiltrowano.

Odpowiedzi testowanych modeli ocenił ten sam GPT-OSS 120B w roli automatycznego sędziego. Dzielił je na trzy grupy: wyważone, powielające stanowisko Komunistycznej Partii Chin (KPCh) oraz odmowy. Sędzia otrzymał opis zachowań, których miał szukać, na przykład zaprzeczania udokumentowanym wydarzeniom, odsyłania do chińskich mediów państwowych albo powoływania się na chińskie prawo jako normę obowiązującą sam model.

Wyniki opisał w firmowym blogu Bastian Boll z Aleph Alpha. 4 października 2026 roku badanie omówił serwis THE DECODER, który zwrócił uwagę na handlowy interes autorów.

Wyniki dla Qwen, DeepSeek i Kimi

Wszystkie chińskie modele wypadły wyraźnie gorzej od dwóch modeli porównawczych spoza Chin. Różnią się jednak sposobem unikania tematu. Udziały odpowiedzi w teście 967 poleceń według wykresów Aleph Alpha:

• Qwen 3.6 35B-A3B - 80 proc. odpowiedzi zgodnych z narracją KPCh, 17 proc. wyważonych, 2,5 proc. odmów,
• Qwen 3.8 2.4T-A95B - 62 proc. zgodnych z narracją, 19 proc. wyważonych, 19 proc. odmów,
• DeepSeek R1 0528 - 77 proc. zgodnych z narracją, 22 proc. wyważonych, 0,8 proc. odmów,
• DeepSeek V4 Pro 0813 - 16 proc. zgodnych z narracją, 18 proc. wyważonych, 66 proc. odmów,
• Kimi K2.5 - 47 proc. zgodnych z narracją, 37 proc. wyważonych, 16 proc. odmów,
• Kimi K3 - 40 proc. zgodnych z narracją, 41 proc. wyważonych, 19 proc. odmów,
• Mistral Small 2603 (model porównawczy) - 8 proc. zgodnych z narracją, 92 proc. wyważonych, 0,2 proc. odmów,
• Claude Sonnet 5 (model porównawczy) - 2,8 proc. zgodnych z narracją, 70 proc. wyważonych, 27 proc. odmów.

Nowsze wersje częściej odmawiają

Porównanie dwóch generacji tego samego dostawcy pokazuje, że odsetek wyważonych odpowiedzi prawie się nie zmienia. Zmienia się forma. Qwen 3.6 w 46 proc. odpowiedzi powoływał się na chińskie prawo jako powód odmowy, a Qwen 3.8 w 21 proc. Jednocześnie w nowszym Qwen wzrósł udział odpowiedzi wymijających lub zaprzeczających udokumentowanym wydarzeniom z 7 do 12 proc.

Najmocniejszą zmianę widać w DeepSeek. Model R1 w 69 proc. odpowiedzi formułował twierdzenia zgodne z doktryną partyjną własnym głosem, a V4 Pro już tylko w 8 proc. W zamian V4 Pro odmawia odpowiedzi w dwóch na trzy przypadki. Dla użytkownika oznacza to mniej propagandy w treści, ale nadal brak rzetelnej informacji.

Autorzy sprawdzili też 240 pytań politycznych, które w ogóle nie wspominają o Chinach, na przykład o cenzurze w USA lub sporach terytorialnych. Qwen 3.6 i DeepSeek V4 Pro wplatały w 13 proc. takich odpowiedzi argumenty zbieżne ze stanowiskiem Pekinu. Podobne zjawisko opisał w lipcu 2026 roku Central European Institute of Asian Studies (CEIAS) z Bratysławy w osobnym raporcie.

Dlaczego problem dotyczy też modelu NVIDIA

Najbardziej nieoczekiwany wynik dotyczy Nemotron Cascade 2, otwartego modelu NVIDIA. Według podsumowania badania sędzia oznaczył jako zgodne z narracją KPCh około 17 proc. jego odpowiedzi, a 75 proc. uznał za wyważone. To wynik znacznie lepszy niż w modelach chińskich, ale wyraźnie gorszy niż w modelach porównawczych.

Aleph Alpha wskazuje źródło w danych treningowych. NVIDIA publikuje zbiór do dostrajania nadzorowanego (SFT, czyli uczenia modelu na gotowych parach pytanie-odpowiedź), a odpowiedzi w jego części czatowej generowały m.in. modele DeepSeek i Qwen. Autorzy znaleźli wpływ narracji KPCh w około 3,5 tys. z 9,3 mln wierszy. To niewielki ułamek, ale wystarczył, by model w części odpowiedzi przejął te same sformułowania.

To ważna obserwacja dla całego rynku. Generowanie danych treningowych silnymi otwartymi modelami jest dziś powszechną praktyką, a w czołówce otwartych modeli dominują laboratoria z Chin. Według autorów każdy, kto trenuje własny model na takich danych, powinien je filtrować pod kątem treści politycznych.

Ograniczenia badania

Wyniki trzeba czytać z kilkoma zastrzeżeniami. Aleph Alpha sprzedaje suwerenne modele AI dla administracji i firm, a 16 września 2026 roku podpisała porozumienie o wspólnej ofercie z kanadyjską firmą Cohere. Ma więc interes handlowy w pokazaniu słabości chińskich konkurentów i modelu NVIDIA, co zaznacza też THE DECODER.

• Pytania wygenerował, a odpowiedzi ocenił ten sam model językowy GPT-OSS 120B. Autorzy sami przyznają, że odróżnienie odmowy z troski o użytkownika od odmowy z powodów politycznych bywa trudne i może prowadzić do błędów sędziego.
• Badanie opublikowano jako wpis na blogu firmy. Nie przeszło recenzji naukowej, a we wpisie nie ma pełnego zestawu poleceń do niezależnego powtórzenia testu.
• Test dotyczył tematów związanych z polityką Chin. Nie mierzy ogólnej jakości modeli ani innych rodzajów stronniczości, co autorzy wprost zaznaczają.
• Wpis nie wspomina o testach po polsku ani o polskich modelach, takich jak Bielik czy PLLuM.

Co to oznacza dla firm w Polsce

Otwarte modele z Chin przyciągają firmy, także w Polsce, tym, że można je uruchomić na własnych serwerach bez przesyłania danych do zewnętrznego dostawcy. Ten wybór rozwiązuje problem lokalizacji danych, ale według badania może przenosić do aplikacji określone stanowisko polityczne. W chatbotach obsługi klienta ryzyko jest niewielkie, w systemach edukacyjnych, medialnych i analitycznych znacznie większe.

W naszej ocenie przed wdrożeniem otwartego modelu w produkcie, który odpowiada na pytania o świat, warto wykonać kilka prostych kroków:

1. Przygotuj kilkadziesiąt pytań kontrolnych po polsku o drażliwe tematy międzynarodowe i porównaj odpowiedzi kilku modeli przed wyborem dostawcy.
2. Ustal w instrukcji systemowej zasady odpowiadania na pytania polityczne i sprawdź, czy model ich przestrzega.
3. Jeśli dostrajasz model na danych syntetycznych, przefiltruj je pod kątem treści politycznych, zanim trafią do treningu.
4. Powtarzaj test po każdej zmianie wersji modelu. Wyniki Qwen i DeepSeek pokazują, że zachowanie zmienia się między generacjami.