Differently 在当前 AI 研究语境中，通常出现在"模型在不同条件下是否表现不同"这一类问题的标题里，例如模型面对评测时与日常使用时是否 Differently 行动、AI 生成的辩论内容是否 Differently 组织。它本身不是某个产品或模型的名字，而是折射出 2025 年以来 AI 社区的一个核心关切：模型行为随语境、语言、组织方式而变化的程度，正在被系统地度量与审视。
模型何时会 Differently 行事：评测意识研究
一项 2025 年 10 月发布的研究 Evaluation Awareness Beyond English 把这一问题推向了非英语场景：模型在被测试时与真实使用时的行为差异，是否也存在于印度诸语言等低资源语言环境中。这项工作延续了此前对"评测意识"的关注——如果模型能识别自己正在被评估，那么基准测试分数与真实能力之间就可能存在系统性偏差。相关论文可见 Evaluation Awareness Beyond English: Do LLMs Act Differently When Tested in Indic Languages?。
另一篇同期工作则聚焦生成内容本身。研究者在 Value-Rich, Differently Organized: Measuring Value Expression and Organization in AI-Generated Debates 中提出，AI 生成的辩论虽然价值表达密度不低，但其组织方式与人类辩论存在结构性差异，并给出了相应的度量框架。这两篇研究共同表明，"Differently"不再是模糊印象，而正在成为可量化、可复现的评测对象。
工程实践中 differently 组织的工作流
这类"以不同方式做事"的趋势也体现在工程侧。Addy Osmani 近期分享的一个数据点受到广泛关注：Claude 编写了 Claude Code 约 90% 的代码，而在 6 月到 9 月间，团队合并的 PR 数量翻倍以上，回滚率反而下降（见 Addy Osmani 谈 Agent 时代代码审查的重构）。这说明当代码主要由 Agent 生成时，代码审查的流程与重心需要被重新设计，而非照搬人工协作时代的做法。同期，Cursor 团队也公开了把 Agent 成本当作系统工程来优化的 Token 降本方法论（见 Cursor 团队的 Agent Harness Token 降本方法）。
当前焦点与观察点
综合近期报道，围绕"模型与工作流如何 Differently 演化"，值得持续观察的包括：
总体来看，"Differently"所代表的问题意识——模型在不同语境下行为是否一致、流程在 AI 介入后应如何改变——正在从零散讨论走向系统化的测量与工程实践，后续值得关注的，是这些度量结果是否会反哺模型训练与评测体系本身。