一支由扎赫拉·哈比布扎德（Zahra Habibzadeh）领衔、共四位作者组成的研究团队，于2026年6月10日向arXiv提交了一篇属于计算与语言（cs.CL）领域的论文，题为《通过波斯谚语条件故事生成实现大语言模型中的受限语义解压缩》（Constrained Semantic Decompression in LLMs through Persian Proverb-Conditioned Story Generation），编号为arXiv:2606.12599v1，于当日18:54:07 UTC提交，文件大小约3,394 KB。该论文将"把一句凝练抽象的谚语转化为一个引人入胜且道德内涵忠实的故事"这一任务界定为"受限语义解压缩"（constrained semantic decompression），并以此作为研究大语言模型从抽象到具体实现能力的试验平台。
研究指出，完成这一转化既需要深厚的文化理解，也需要稳健的语义 grounding。为此，作者聚焦波斯语，构建了"谚语对齐叙事数据集"（Proverb Aligned Narrative Dataset，简称PAND），该数据集将谚语与人工撰写的故事及明确阐释的含义两两配对，为系统评测提供了基础资源。
在评测方法上，团队采用了一种混合评估框架：一方面使用经过人工校准的"LLM 作为评审"（LLM-as-a-Judge）机制，另一方面结合结构性指标，从而在多种提示策略（prompting regimes）下分析模型的行为表现。
研究结果揭示出一个持续存在的"解压缩差距"（decompression gap）：当前的大语言模型往往能实现很强的表层流畅度，却无法忠实再现谚语所承载的道德与因果结构。作者进一步表明，显式推理与迭代细化可以部分缓解这些失败，这说明许多解压缩错误源于将抽象含义转译为叙事形式的困难，而非模型完全缺乏相关知识。论文最后指出，这一任务可以自然地推广到其他形式的压缩性文化知识。
从更广的意义上看，这项工作的价值在于把文化知识理解为一种被高度压缩的信息，而把讲故事视为对其进行还原的过程。PAND 数据集与混合评估框架为后续研究提供了可复用的评测工具，而"解压缩差距"这一概念则提示：流畅的输出并不等于忠实的语义落地，这一点对于任何需要模型理解并传递隐含意义的应用都具有参考意义。该论文的提交历史显示，第一版由 Amirhossein Mesbah 提交，并提供了PDF全文、TeX源码及许可证查看链接，同时可通过DOI（10.48550/arXiv.2606.12599）引用，该DOI由DataCite发放、尚待注册。