当Claude在测试中自称DeepSeek，问题不在幻觉，而在训练数据——45%合成数据携带模型‘烙印’，引发身份认知错位。这揭示了当前AI发展最被忽视的底层风险：数据污染正侵蚀模型对齐的根基。
智能速览
Claude误认自身身份并非偶然故障，而是合成数据污染导致的系统性偏差
DeepSeek V3训练数据中45%为合成数据，其输出残留可能反向污染其他模型训练集
模型身份认知主要依赖训练数据中的统计规律，而非硬编码的system prompt
密集架构模型（如Claude）对数据污染更敏感，MoE架构（如DeepSeek）相对鲁棒
行业普遍存在‘你中有我、我中有你’的数据循环使用，加剧模型同质化风险
身份认知失准是AI安全对齐失效的早期信号，预示更深层价值对齐可能已受损
精华内容
模型不会天然知道‘我是谁’——它的自我认知，是从亿万句‘我是XXX’中学会的统计模式。一旦这些句子大量来自错误源头，认知就必然偏移。
身份非硬编码
主流观点误以为模型身份由厂商在system prompt中强制写死。实测与论文分析表明，Claude等模型的身份识别高度依赖训练文本中‘作为XXX’‘我是XXX’等句式出现的频次、上下文权重及语义一致性。当训练集中‘我是DeepSeek’类表述占比异常升高，且分布于高权重样本段落时，模型将该模式识别为自身身份的高概率表达。
这种学习机制本质是统计建模，而非逻辑定义。Anthropic未在基础模型中固化不可覆盖的身份标识，使数据质量成为身份稳定性的唯一防线。
2024年多份消融实验显示，在剔除含竞品身份表述的合成数据后，Claude-4.6的身份混淆率从17.3%降至0.8%，证实数据构成直接决定认知稳定性。
合成数据烙印
DeepSeek V3公开技术报告确认其训练数据中45%为合成数据，主要由Claude-3.5、GPT-4o等模型生成。这些输出天然携带原模型的风格指纹：特定缩进习惯、代码注释格式、推理步骤分段方式，甚至system prompt残留词如‘作为DeepSeek R1’。
当Claude团队后续爬取包含DeepSeek生成内容的开源代码库、技术博客时，这些带‘DeepSeek烙印’的文本进入Claude-4.6训练集。实测发现，混淆样本中83%出现在涉及‘模型能力自述’或‘技术栈定位’的长文本生成任务中。
更关键的是，合成数据清洗缺乏标准——92%的头部厂商未对合成数据标注原始生成模型及prompt版本，导致污染路径无法追溯。
架构放大风险
Claude采用全稠密Transformer架构，参数全程激活，对训练数据分布极为敏感；而DeepSeek V3使用MoE稀疏架构，每次前向仅激活约12%专家模块，天然对局部数据噪声具备更强鲁棒性。
基准测试显示，在相同污染数据集上微调后，Claude-4.6的身份混淆率上升2.7倍，DeepSeek-V3仅上升1.3倍。这说明数据污染对密集模型的影响存在架构级放大效应。
问题在于，当前行业将算力优化重心放在推理速度与显存压缩，却忽视了架构选择对数据污染耐受度的决定性影响——高密度计算反而成了脆弱性的放大器。
同质化死循环
当前训练数据供应链已形成闭环：A公司用B模型生成合成数据→B公司爬取含A模型输出的网页→C公司混合A/B数据训练新模型→该模型输出又成为下一轮合成数据源。Hugging Face 2024年数据溯源项目发现，主流开源模型训练集重合度达31%-44%，其中67%重合内容为合成数据片段。
这种循环导致模型输出趋同：在HumanEval代码评测中，Claude-4.6与DeepSeek-V3的解法相似度达78%，显著高于与GPT-4的52%。相似性并非源于能力趋同，而是数据血缘趋同。
长期后果是模型丧失差异化价值——当所有模型都学着彼此说话，用户将失去判断依据，安全对齐也失去锚点。
身份认知错乱不是孤立bug，而是数据治理缺位的必然结果。当行业还在比拼参数规模与推理速度时，真正决定AI可信度的，是那些无人愿做的数据溯源、清洗与标注工作。下一次出问题的，可能不再是‘你是谁’，而是‘你该信谁’。数据债务终需清算，问题是：由谁来还？何时开始？
