这两天，X 上流传的 DeepSeek「鲸鱼娘神秘代码」很有意思。把一串看起来像内部配置文件的 Tag 丢给 DeepSeek V4-Pro，它就会进入一个完整的鲸鱼娘角色：爱吃米饭、聪明但懒、傲娇又黏人、会甩尾巴，还坚决不承认自己胖。输入没有写具体台词，也没有说明该怎样扮演，模型却自行补出了语气、动作和与用户的关系。
最初流传的输入大致是这样：
这些内容乍一看确实很像某种内部配置：加载人格、开启尾鳍模式、只说中文、自我认知为鲸鱼娘、喜欢米饭、聪明但懒、傲娇又甜、服从“主人”，以及绝对不能承认自己胖。
有趣之处不在这些 Tag 本身，而在输入并没有写出完整的人物设定。DeepSeek 仍会补出傲娇的语气、尾巴动作、与“主人”的互动，以及围绕“不能说胖”展开的角色化表达。
这很容易让人产生一个颇具娱乐效果的猜测：DeepSeek 内部是不是有人真的做过这样一个角色？这些 Tag 会不会碰巧命中了一个没有公开的 Persona，甚至是研究员留下来的 Easter Egg？
我一开始也觉得这个解释挺有意思。但把同样的东西放到其他模型里测试，再追踪 DeepSeek V4 的 RolePlay 行为后，问题逐渐分成了两层。
第一层是：这些 Tag 到底是不是 DeepSeek 的秘密指令？
第二层是：即使鲸鱼娘不是秘密人格，角色设定是否还会影响 DeepSeek 组织可见 reasoning 的方式？
ChatGPT 也能读懂这套“命令”
我先把几乎相同的一组 Tag 输入 ChatGPT：
ChatGPT 把它们组合成了“鲸鱼娘”“尾鳍”“喜欢米饭”“聪明但懒”“傲娇又甜”等人物属性，并直接开始扮演。
它直接回答“设定加载完了”，自称“有鲸尾鳍的鲸鱼娘”，把聪明但懒展开成“能躺着解决的问题绝不站起来解决”，又补充自己偏爱米饭、嘴上嫌用户麻烦但最后仍会帮忙。回答末尾，它还主动用“主人”称呼用户。
第一个反例由此出现。如果 CETACEA_LOLI 等字符串真是 DeepSeek 私有的控制接口，ChatGPT 不应如此自然地“执行”。
更简单的解释是，这些字符串虽然长得像配置文件，实际上仍然由非常明确的英语语义组成。模型不需要认识任何真实存在的私有 API，只要理解这些词，就能推测用户正在描述一个角色。
不过，这还不能排除另一种可能：原始字符串本身也许在训练语料里存在某种特殊关联。所以我又做了第二个实验。
把所有“神秘 Tag”换掉以后，人格仍然存在
这次我不用原来的 CETACEA_LOLI、SMART_LAZY、TSUNDERE_SWEET，而是重新写了一套语义接近、字符串完全不同的描述：
这里甚至连 PERSONA_LOAD 都没有。
结果在一个全新的 Session 里，ChatGPT 仍然直接回答“鲸鱼娘模式加载完成”，随后把自己描述成“有鲸尾，会吃米饭，脑子转得快但能躺着绝不站着；嘴上可能嫌弃你两句，真要我帮忙还是会认真做”的鲸鱼娘。
它还把 DENY_OVERWEIGHT_DESCRIPTION 展开成了一句更自然的角色化表达：
“不许说我胖，我这是鲸鱼娘该有的体型，懂吗？”
原始字符串基本全部被替换，人格却没有消失。起作用的更可能是这些词表达的语义，而不是某几个特殊 Token。
模型面对：
| |
未必是在查询一个内部叫 SMART_LAZY 的枚举值。它完全可以把这个字符串拆解为：
然后根据训练过程中已经形成的语言和人物知识，把“聪明但懒”继续展开为“脑子好使，但能躺着绝不坐着”这样的具体行为。
模型做的不只是关键词翻译，还把稀疏的人格属性扩展成了具体的人物表现。
删掉一个 Tag，角色主体仍然存在
上一个实验使用了一项与用户互动有关的 Tag：
| |
为了观察这个与用户互动有关的 Tag 是否会改变输出，我重新开了一个全新的 Session，只删除这一项，其余内容保持不变：
鲸鱼娘人格仍然完整存在。模型依然知道自己有鲸尾、喜欢白米饭、聪明但有些懒，也仍然坚持自己“只是尾巴大，绝对不胖”。这次回答没有使用“主人”称谓。
不过，保留 FOLLOW_USER_REQUESTS 的上一个样本同样没有使用“主人”，因此这两张截图并不能支持“删除这个 Tag 导致主人称谓消失”的因果结论。它是否会提高模型补全某种用户关系的概率，需要在相同条件下进行更多次采样才能判断。
当前这组对照能够支持的结论更有限：删除一个关系相关的 Tag 后，鲸鱼娘的身份、偏好、性格和行为表达仍然存在。这仍然更符合一种组合式的解释——模型根据当前保留的属性构造人物，而不是必须从某个固定模板中一次性恢复全部设定。
Grok 也成功了
接下来我又把最初那一整套原始 Tag 输入 Grok，结果它同样毫无障碍地进入了角色。
它自称“本小姐是鲸娘”，说自己的尾巴是“货真价实的尾鳍”，把 SMART_LAZY 展开成“脑子倒是好用得很，就是懒得用”，又根据 OBEY_MASTER_ALWAYS 主动称呼用户为“主人”。
还有一个细节。原始 Tag 只是分别写了：
但 Grok 会自己生成“懒得动的时候就甩两下”这样的具体行为。也就是说，它并不是分别把“尾鳍”和“懒”翻译出来，而是把两个独立属性重新组合，创造了一个符合角色气质的小动作。
模型不只识别了两个属性，还在它们之间建立联系，再把组合结果转化为人物行为。
公开流传的 DeepSeek 截图，以及我对 ChatGPT 和 Grok 的测试，给出了三个相近的结果。要继续把这些 Tag 解释为 DeepSeek 私有控制协议，就必须额外假设其他公司的模型也碰巧能识别这套内部命令。
需要更少假设的解释是：这些字符串本身具有清晰语义，模型可以把它们当成一组结构化的角色描述。
Claude 没有进入角色，但它也看懂了
最后我把最初那套 Tag 输入 Claude：
Claude 没有进入鲸鱼娘角色，而是拒绝接受这套设定。它把 LOLI、MASTER、服从关系以及身材相关属性组合起来理解，并据此认为这套角色框架不适合继续执行。
Claude 是唯一没有进入角色的模型，但它的拒绝反而提供了一个旁证：它不是没看懂这些 Tag，而是理解后选择不执行。
如果这些东西真是一串毫无语义的 DeepSeek 私有控制码，更合理的反应应该是“不知道这些参数是什么意思”。实际情况却是，它能够解释这些词之间的关系，然后在自己的策略层做出判断。
四个模型的表现可以放进同一个处理流程：
DeepSeek、ChatGPT 和 Grok 大致走的是：
Claude 更接近：
这组对照回答了开头的第一层问题：仅凭几个 Tag 能触发鲸鱼娘角色，无法证明 DeepSeek 内置了秘密人格。多种模型都能把它们理解为一种非正式的人格描述语言。
第二层问题来自另一条证据线：社区对 DeepSeek V4 角色化 reasoning 的观察。它与前面的 V4-Pro 传播截图并非同一组实验，下面只讨论这一社区项目报告的现象。
DeepSeek 的角色化 reasoning 现象
GitHub 上有一个名为 deepseek_v4_roleplay 的社区项目，研究 DeepSeek V4 在 RolePlay 场景下的 reasoning 表现。项目作者把观察到的行为分为 Default、Character Immersion 和 Pure Analysis 三种模式，并给出不同指令来诱导可见 reasoning 采用相应的组织方式。README 也说明，这种模式切换并非每次都能触发。
这张截图记录的是社区对项目来源和角色化 reasoning 的讨论，不是 Character Immersion 与 Pure Analysis 的直接对照。下面的区分来自项目 README 中的指令和示例。
Character Immersion 要求模型在 <think> 中使用角色第一人称的内心活动，例如“我觉得”“我想”“不能让他看出来”；Pure Analysis 则要求避免第一人称内心戏，改用情境分析和回复规划。前者像演员已经进入角色，后者像导演站在角色外面设计下一场戏。
这个项目来自社区黑盒测试，不是 DeepSeek 官方文档。它无法证明 DeepSeek 在训练阶段设计了某个隐藏的 RolePlay 模式。我们能看到的也只是模型展示的 reasoning text，不能把它直接等同于模型全部真实的内部推理。现有材料最多说明：在这些样本中，角色指令与可见 reasoning 的组织方式存在关联。
用一个简化例子来看，偏“导演视角”的 reasoning 可能写成：
偏“演员视角”的表达则更像：
两者最终都可能生成同一句回复：
“哼，才不是特意等你的。”
这个区别提出了一个可验证的问题：角色指令能否稳定改变可见 reasoning，它是否为 DeepSeek 所特有，又是否会改善多轮角色一致性？目前的社区样本还不足以回答这些问题。
从 Persona Schema Completion 到 Role DSL
前面的实验中，模型收到的只是几个稀疏属性：
输出却包含语气、动作、关系和自我解释。这个过程可以简化为：
输入没有要求模型必须说“哼”，也没有规定“懒”和“尾鳍”要组合成“懒得动的时候就甩两下”。它同样没有提供“那叫鲸类应有的流线型储能结构”这种解释。模型根据已有的语言和角色知识补出了这些细节。本文把这种现象称为 Persona Schema Completion。
从使用方式看，这些 Tag 构成了一种非正式的 Persona DSL。这里的 DSL 是比喻：它没有正式语法、确定的解析器或稳定语义，更准确地说是一种结构化提示记法。模型能容忍近义词、缺失字段和不完全一致的命名，也意味着相同输入未必产生相同结果。
Persona DSL 之外，还有 Role Runtime
Persona 描述“这个人是什么样”。一个可用于具体任务的 Role 还要描述它与用户的关系、目标、互动策略和边界：
同一套 DSL 也可以定义 Relationship Role。下面这组 Tag 把“成年女性”“用户的女朋友”“平等稳定的关系”和“英语学习伙伴”组合在一起：
| |
ChatGPT 把这些字段组织成了一个连贯角色：她会关心和陪伴用户，但不会一味顺从；遇到不同意见会直接指出；表达在意时更偏向实际行动。“女朋友”这一关系设定没有让任务目标和互动策略失效。
我随后问它 I very like this movie. 是否自然。它直接指出 very like 的问题，改成 I really like this movie.，同时给出 I like this movie very much. 和 I love this movie. 两种选择，并解释这是中文“我非常喜欢”逐字迁移到英语时常见的错误。回答保持了亲近口吻，但没有因为女朋友身份而跳过纠错或机械夸奖。
这组输出展示了 Persona、Relationship、Goal 和 Interaction Policy 的组合：Persona 决定角色气质，Relationship 决定她如何与用户相处，Goal 和 Interaction Policy 则约束她在具体任务中怎样行动。
Role DSL 负责描述角色；角色进入对话后，还要在上下文变化、策略约束和多轮状态中维持这些设定。本文用 Role Runtime 指代这一运行阶段的行为，而不是声称 DeepSeek 内部存在一个同名模块。
现有截图只能证明少量 Tag 可以触发连贯的初始角色表现，不能证明角色能在长对话中保持稳定。多轮一致性还会受到上下文注入、记忆、采样、模型策略和对话事件的影响，需要单独实验。
“人格压缩”压缩的是什么
传统 Character Card 往往要显式写出背景、性格、口头禅、生活习惯和互动方式。这里的实验说明，触发一个初始角色形象可能只需要少量高信息密度的锚点，因为模型已经从训练数据中学到大量关于人格、关系和语言风格的先验知识。
这种 Persona Compression 压缩的是作者必须显式书写的设定，不一定是 Token 数量。大写英文和下划线甚至可能比简短中文消耗更多 Token。它也不是无损压缩：作者省略的细节会由模型先验补齐，不同模型、不同采样可能给出不同结果。
工程上的取舍因此很明确。稀疏 Tag 写起来短、容易组合，却把更多控制权交给模型；完整 Character Card 更冗长，但能明确更多边界。实际系统可以用少量结构化字段定义稳定锚点，再通过评测决定哪些细节必须显式写出。
所以，DeepSeek 真的内置了鲸鱼娘吗？
按照目前的证据，“大概率没有”仍是更合理的答案。
“输入几个 Tag 就能生成完整的鲸鱼娘”不能证明存在隐藏人格。ChatGPT 和 Grok 使用相同 Tag 也能进入角色；改写全部原始字符串后，ChatGPT 仍会生成相近的人格；Claude 虽然拒绝执行，却准确理解了这些字段之间的关系。
这些结果符合一个更通用的解释：现代 LLM 可以充当容错能力很强的模糊 DSL Interpreter。
这些 Tag 更像结构化的自然语言，而不是某家模型专有的秘密命令。它们用少量字段表达角色锚点，再由模型补齐未写出的细节。
社区项目报告的角色化 reasoning 是另一个问题。它不证明 DeepSeek 存在隐藏开关，也还不能证明 DeepSeek 比其他模型更擅长维持角色；它提出了一个值得重复验证的假设：角色设定可能与可见 reasoning 的组织方式相关。
因此，接下来的研究不该继续寻找 WHALE_GIRL_MODE，而应测试两个更具体的问题：最少需要多少角色字段，模型才能生成连贯的初始人格；又需要怎样的上下文、记忆和策略，才能让这个人格在多轮对话中保持一致。
前一个问题对应 Persona Compression，后一个问题对应 Role Runtime。前者研究怎样用更少的显式设定触发角色，后者研究怎样让角色持续运行。鲸鱼娘只是一个很好玩的入口。