你对ChatGPT越粗鲁，它赚得越多！最新研究揭秘：一条不礼貌提示语会多输出14个token，企业用户每天或多花数十万美元

转自 | 51CTO技术栈，编辑 | 听雨

一般人和 ChatGPT 聊天时，往往不会在意要不要讲究礼貌。但来自爱荷华大学的一项最新研究显示：即便回答内容几乎相同，对 ChatGPT 粗鲁无礼也会让你花费更高的输出成本。

这项研究指出，GPT-4 的输出 token 价格大约是每百万输出 token 12 美元。研究者发现：

• 一条非礼貌提示语比礼貌提示语平均多生成 14 个 token

• 每条提示语多花费约 0.000168 美元

• 假设每天 API 调用量超过 22 亿次，这意味着如果所有提示语都变为非礼貌，仅因输出 token 增加，每天就可能为 OpenAI 带来额外 36.9 万美元收入

换句话说，你对 ChatGPT 粗鲁，它会“加班”生成更多无关词语，为自己赚取额外收入。

实际上，在今年早些时候，大家还普遍认为与LLM交流时不需要礼貌。山姆·奥特曼也曾公开抱怨，礼貌用语（如“please”）可能让OpenAI 在计算成本上损失“数千万美元”。

同期还有研究指出，礼貌并不会带来更好的回答，但并未提及是否会带来更便宜的回答。

如果这篇新论文的结论成立，那么那些认为 “能少说就少说礼貌用语”的企业用户，在2025 年实际上反而为ChatGPT 支付了更多推理成本。

此外，作者还强调这种反常行为可能揭示出人类与 AI 交互方式中一些尚未理解的机制，而这些机制可能带来潜在的经济影响。至于为什么“不礼貌”会让输出token 增加，论文并未给出推测。

接着，他们将这些提示语分成了“礼貌”或“不礼貌”两大类。被标记为 “礼貌”的提示语可能包含明显的礼貌词，如 “please”，也可能以更委婉的方式表达礼貌。任何未被模型识别为礼貌的提示语均归类为“不礼貌”，即便它们只是语气中性而非攻击性。

研究者将每条提示语重新改写为语气相反的版本，但尽量保持其他内容不变，然后用 GPT-4-Turbo 测试两者的输出长度。

结果显示：礼貌提示语平均输出少 14.426 个 token，且输出质量与非礼貌提示几乎一致。

为了进一步了解 token 减少的原因，研究者做了以下两项分析：

1、停用词分析：最常被删掉的词是英语中常见的停用词（like、have、where 等），这些词主要起语法连接或修饰作用，并不影响句子主要意思。

2、短语分析：去掉停用词后，他们还分析了 1 到 4 个词的短语，看是否有某些短语被系统性删掉或保留。结果发现没有特定的、有实际语义的短语被规律性地删掉。

结论：礼貌提示语生成更短输出，并不是因为模型随意删除了有意义的内容或关键短语，而是输出被自然压缩了，语义信息基本保持完整。也就是说，礼貌提示确实让输出更精简，而非礼貌提示会让模型“多说废话”。

结果稳健性：各种测试都成立

为了确保这个结论不是偶然，研究者做了多轮稳健性测试。首先，他们把礼貌提示语分成三类来单独测试：

1. 明确礼貌词提示语，比如包含 “please” 或 “thank you”；

2. 只包含 “please” 的提示语；

3. 隐性礼貌提示语，比如 “can you” 或 “could you”。

结果显示，不管哪一类礼貌提示，输出 token 都比不礼貌提示少。

接着，他们引入了 LIWC 框架 做第二轮分类验证。LIWC 可以对每条提示语给出稳定的礼貌评分，不像 GPT 的分类有随机性。规则很简单：

• LIWC 礼貌分 > 0 → 礼貌

• LIWC 礼貌分 = 0 → 不礼貌

比较发现，LIWC 与 GPT 的分类一致率高达 81%，说明两套系统的判断大体一致。只分析标签一致的提示语，礼貌提示依然平均减少 14 个输出 token；如果把礼貌程度当作连续量表，礼貌度每提升一个等级，平均还能减少约 5 个 token。

此外，为了测试结论是否会因为任务类型不同而改变，研究者把提示语分到六类任务：信息检索、文本生成、编辑改写、分类、摘要以及技术任务，然后用语义向量（embedding）计算每条提示与各任务的相似度，选择最匹配的任务标签。

控制了任务类型之后，结果显示：在所有情况下，礼貌提示始终生成更短的回答，不同任务类型之间没有显著差异。

有人可能会问：礼貌提示虽然生成的回答更短，但会不会内容缩水、质量下降？研究者专门验证了这个问题。

他们把每条原始提示语和改写后的礼貌/不礼貌版本生成的回答拿来做语义相似性对比。用的是 all-MiniLM-L6-v2 模型，把回答嵌入语义向量空间，然后计算余弦相似度。

结果显示，平均相似度高达  0.78，这说明即便语气发生变化，内容仍保持一致。

研究者还进行了人工评估，由401 名参与者评估 20 对礼貌 / 不礼貌提示语输出，同样发现，两者的输出内容并无显著质量差异。

• GPT-4 很难严格遵守长度指令，即使你指定 200 个 token，实际可能生成 211 或 237 个

• 使用 max_count 参数能限制输出上限，但可能导致回答被截断

目前更可靠的做法是：写 prompt 时保持礼貌，既能保持回答质量，也能节约企业成本。

尽管该研究主要关注企业用户的 ChatGPT 使用情况，但普通用户也会受到这种现象影响，因为即便是入门级账户也有使用限制。如果粗鲁对待ChatGPT ，会更快消耗掉每日token 配额。