让模型选价值观，国家和语言是两个不同的开关

让模型「作为某国人」回答一个问题，再用另一种语言问同样的内容——很多人以为在测同一个东西。10 月 22 日挂出的一篇论文说：这是两个不同的开关，而且拨动的方向经常相反。

一、发生了什么

研究者给模型同时注入两种身份线索：系统提示里写一个国家人设，用户消息里再带第二个身份——要么直接点名另一个国家，要么只换提问的语言。评测有两套：一套用某项跨国价值观问卷的选择题做探查，另一套让模型开放式写作社会政治话题。结果有几个反直觉之处。选择题里，语言线索挪动答案的幅度约是明确点名国家的三倍，但方向却是偏离对应国家的作答分布；而点名国家，并不能稳定地把答案推向那个国家的主流立场。在约一百六十万条开放式回答里，点名国家能弥合模型对该国「自身回答」差距的三成到四成多，并且明确线索带来的价值观变化比语言线索更分化。作者的结论是：国家和语言应当作为两种不同信号分别评测，不能互相当代理。

二、跟你有什么关系

做产品本地化的人：换了界面语言不等于换了文化视角，这两层要分开调整、分开验证。做文化评测的研究者：只用语言切换当文化代理，量到的是被放大的噪声，不是文化差异。普通用户：让模型扮演某国人，它的回答未必代表那个国家的人的看法，尤其是换了语言之后。

这是背景，不是论文结论：给模型做文化评测是近几年的热门方向，常见做法是套一份跨国调查问卷，或者在系统提示里写「你是一个某国人」，再把答案和该国调查数据对齐。这类做法有个默认假设：改语言、改人设、换国家标签，拨动的是同一个「文化」旋钮。这篇论文的实验设计恰恰针对这个假设——把身份线索拆成系统提示里的人设和用户消息里的语言、点名三类，同时注入，看哪个真的在起作用。结论是各拨各的，而且经常互相打架。

三、怎么判断

1. 设计评测时把人设提示和提问语言拆成两个变量，分别归因，别混在一个实验里。
2. 看结果先看差距弥合比例，而不是单点答案像不像某个国家的立场。
3. 遇到「多语言模型理解多元文化」的宣传，追问一句：换语言后答案朝哪个方向动了。

还有一点同样容易被忽略：开放式写作和选择题给出的是两类证据，前者量大但标准松，后者可控但容易背题，论文把两套都跑了一遍才敢下结论，自己做评测也建议双轨并行。

四、三个别信的说法

换个语言，模型就换了一种文化视角。论文显示语言线索挪动答案的幅度更大，但方向反而偏离对应国家的分布，语言不是文化的可靠代理。

系统提示里写国籍就够了。点名国家并不稳定地把答案推向那个国家的立场，人设提示的作用比想象的弱。

价值观评测的结果可以简单加总。明确线索和隐含线索产生的变化形态不同，混在一起平均会掩盖机制。

五、一句话结论

测模型的文化立场，先想清楚你在拨哪个开关：是它以为自己是谁，还是它在用什么语言说话。两者不匹配时，答案更不可信。

信息来源

• arXiv：大语言模型多文化价值选择偏见研究（2026-10-22）

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。