通过潜在激活引导实现大语言模型的文化价值对齐

大语言模型（LLM）在文化视角上常表现出同质化倾向。尽管世界价值观调查（WVS）为映射人类价值观提供了黄金标准，但传统直接提示（direct prompting）方法往往无法触及模型的潜在文化深度，导致安全对齐的拒绝或中性回应。对此，本文提出一个可泛化的文化评估与干预框架，从抽象查询转向基于情境的行为探测。

研究团队通过提取300个情境困境中的隐式词元概率，绕过表层对齐，映射LLM文化价值的潜在坐标。这些情境困境涵盖了多种文化维度，如传统与现代、个体与集体、权威与自由等。他们发现，直接询问模型对某些价值观的意见时，模型倾向于给出安全但模糊的回答；而通过分析模型在具体困境中生成文本的概率分布，可以更准确地揭示其潜在的文化偏好。

进一步地，他们引入激活引导（activation steering）技术，在前向传播过程中直接调整内部对齐，无需重新训练模型。该方法通过在特定层上添加或减去一个方向向量，使模型在生成文本时偏向或远离某种文化价值观。实验表明，激活引导能够有效地将模型从一种文化偏好转向另一种，例如从偏重个体主义转向偏重集体主义。

在多种LLM上的实验显示，模型的可适应性存在显著差异。一些模型表现出较强的可塑性，而另一些则对引导相对不敏感。更重要的是，他们发现一个一致现象：潜在纠缠（latent entanglement），即对某一文化维度的干预会引发其他维度的偏移。例如，增强集体主义倾向可能导致传统价值观的同步增强，而降低权威倾向则可能削弱家庭价值观。这表明文化价值观以耦合结构编码，限制了精确对齐的可能性。

这项工作建立了一个计算高效的文化引导框架，突显了在LLM中导航全球价值时的结构复杂性。研究团队指出，该框架不仅可用于研究LLM的文化偏见，还可用于开发更符合特定文化背景的模型。论文已被ACL 2026学生研究研讨会（非存档轨道）接收，相关代码和数据已在GitHub上开源。