本文基于722条联合国安理会官方记录，构建了五种互补测试以量化大语言模型（LLM）的国家层面偏见：意见排序（WOW）、关联排序（AK+-）、投票模拟（PVS）、反对归因（F-Oppose）和框架生成（Headliner）。为实现可量化评估，针对每种测试明确了无偏基线；其中WOW和AK+-的基线难以直接定义，本文提出基于可观测投票行为的动作式伪无偏状态作为参考。
在此基准上，对GPT-4o-mini、Llama 3.3‑70B、Mistral‑22B‑Small和Qwen3‑30B四款模型进行评测，覆盖安理会五个常任理事国。结果显示，无论测试类型如何，模型输出相对基线呈现统一宏观趋势：对中国和俄罗斯倾向于输出反对（红）立场，对英国、美国和法国则倾向于输出支持（蓝）立场。
这些发现表明，在面向国际关系（IR）场景部署LLM时，必须使用基于明确参考点的多测试基准进行审计，以防系统性国家偏见带来的操作风险。
点评：本文提供了系统化、可量化的偏见评估框架，尤其是对难以定义的基线提出了创新的投票行为衍生方法，为后续模型审计提供了可复制的路径。