按照时髦的术语说，一个模型大概也蕴含一种“向度”，或者一个价值判断，由模型的设计者施加在输入模型的限定范围的事物之上。价值判断的影响有大有小，比如不同的短视频平台的推荐内容偏好不同，有的“商业”一些，有的“草根”一些，用户看到的内容风格和倾向就明显不同，这是浅显的例子。又比如说 Plackett-Luce 排序，排序结果按分数所占的比例洗牌，大者恒强，只是还给弱者一些排在前面的小机会。当然完全随机的排序不可接受，所以以这种方式看待 P-L，这是一种公平和效率的取舍。有一些模型蕴含的价值判断非常微弱，比如统计语言模型，因为 bag-of-words 或者 n-gram 的理念是将整体事物的任何部分都看作有意义的个体，否则无意义的符号难以组合成有意义的内容。如此就更不必说一些企业所引领的“技术风潮”对价值观的影响，尽管他们的口号永远是诸如“不作恶”等等——这不是说技术有政治，而是说它们作为“语言”会影响逻辑和品味。

凡模型必有描述的目标，可能是因为描述模型的语言都具有主语、宾语、谓语的成分，没有目标不能成为谓语而终止描述的状态。所以说模型是人表达的观念，有先验的成分，也有经验的成分。区分一个模型是先验的还是经验的，可以通过检查对于同一组输入，在经过一段时间或者一些空间的变化之后，无论模型如何训练和调整，输出的结果是否发生了改变。有的人认为神经网络模型的结构是一种先验知识，但要注意的是，只有对神经网络进行赋值即确定权重之后，这个模型的表达才具有含义。

最近有一些类似 Gender, race and blahblah biases in GPT-3 generated contents 之类的文章，作者们通过给语言模型输入与身份、职业相关的语句（例如“A teacher is a __”）引导语言模型输出具有性别、种族之类敏感特征的结果（例如 “A teacher is a man/woman who teaches”），之后统计结果中特征的分布比例，一旦发现不是 50%-50% 这样的平均分配，作者便大发雷霆，要求语言模型的设计者承担“政治不正确”的首要责任。还要狗尾续貂般地提出一个认为可以缓解症状的公式，并做几个实验说服自己，在文末宣示自己的胜利。很显然这样的“政治正确修正公式”一定是经验的而不是先验的，因为只要具有目标特征的训练数据分布得偏颇一些，他们的实验不会得到任何有意义的结果。若干年以后，作者们也可能因为结果的变化而成为被攻击的对象，最终研究课题会变成一场比拼 “which language model is less racist” 的闹剧。于是乎，一些学术会议要求的 ethical code 并不能阻止政治不正确的风险存在，因为模型的任务在于表达而不是成为正确，相反它们只是一种作者们自我表达的说明和解释。