由大型语言模型（LLM）驱动的社交机器人正越来越多地在现实世界中决定谁先获得帮助。由于不同文化在年龄、地位和群体规模上的优先排序规范存在差异，若无法以多元方式加以校准，这种偏差可能放大为不平等的机会获取。然而，当前的LLM道德审计仍以英语为中心，很少测试具身情境，这使得多元校准成为LLM与机器人加速部署背景下一个亟待解决的诊断缺口。
针对这一问题，Carmen Ng等研究者提出了一个基于梯度的审计框架，用于多语言评估LLM在道德权衡行为上与文化偏好梯度的契合程度。该研究以九篇跨领域社交机器人综述（涵盖逾8000篇论文）为基础，在护理、教育和服务等场景中构建了对称性受控的情景，将“道德机器实验”（Moral Machine Experiment，MME）中的“先救谁”转化为“先帮助谁”的两难抉择，同时保留了身份权衡维度，即多数与少数、年轻与年长、地位较高与地位较低之间的取舍。
研究团队围绕四个国家—语言组合，在四种提示策略下对四个LLM进行了审计，共计57,600次决策，并以各国特定的MME偏好梯度作为基准。分析采用序数一致性检验来判断模型是否能区分不同文化语境，同时建立了一套治理类型学，用于刻画模型在梯度区分、方向性倾向和审慎推理方面的脆弱性。
研究发现，模型在梯度跟踪上存在持续且具有文化不对称性的失败，而仅靠提示工程无法可靠纠正。具体而言，西方语言决策的质量校准强度几乎是中文和日文决策的两倍；在“多数优先”的权衡中，模型表现出高度确定性，这往往会抹平跨文化梯度；模型对年龄和地位规范的敏感性只是部分的，可能导致少数群体被边缘化。提示策略的效果也并不均衡：只有对比性示例能带来稳定改善，而仅强调推理的提示反而可能削弱跟踪效果。
该论文已被2026年ACM公平性、问责制与透明度会议（FAccT '26）接收发表，隶属机器人学（cs.RO）方向，并涉及人工智能、计算与语言以及计算机与社会等交叉领域。作者据此主张，应将多语言、多元化的审计作为LLM机器人部署前的准入关口，并指出模型本身的因素比单纯依赖提示工程是更稳健的调节杠杆。