arXiv 于 2026 年 6 月 11 日发布了一篇题为《文化漏斗：你无法对齐数据中不存在的东西》（The Culture Funnel: You Can't Align What isn't in the Data）的论文，作者为 Ananya Sahu 及另外五位合作者，隶属计算与语言（cs.CL）方向。该论文对当前大语言模型文化对齐的主流思路提出了根本性的质疑：现有方法大多把注意力放在推理阶段的干预上，默认模型内部已经积累了足够的文化知识，只需在输出时加以引导即可。作者认为，这种假设忽视了一个更深层的问题——现代大语言模型的训练流水线存在一个“文化数据漏斗”，文化信息在数据逐级加工的过程中不断流失。
为验证这一判断，研究团队构建了一套多维度的文化标签框架，并据此对预训练、微调、对齐以及推理等各阶段所使用的数据集进行了系统性的标注与分析。结果显示，显性的文化信号在训练后阶段（post-training）出现急剧下降，而占据主导地位的则是地理上高度集中、面向特定任务的专业化数据。换言之，模型在早期可能接触到较为丰富的文化内容，但随着数据进入微调与对齐环节，这些内容被大幅稀释甚至剔除，最终留存下来的文化表征既不平衡也不完整。
论文还特别讨论了一个常见的误解：多语言能力与文化代表性之间的关系。作者指出，多语言数据确实能够提升文化知识在地理维度上的多样性，让模型接触到更多不同语言所承载的内容，但多语言并不等同于均衡的文化代表性。即使模型支持多种语言，其文化知识仍可能严重偏向某些地区或群体，无法保证各文化之间的对等呈现。这一发现对于以“支持多少种语言”作为文化包容性衡量标准的产品与评测实践具有直接的警示意义。
在方法有效性的验证方面，作者报告称，他们引入的文化标签能够提升模型在下游文化基准测试上的表现。这一结果说明，文化对齐的进步不能仅靠推理阶段的修补，而需要把关注点前移到训练数据流水线本身，从数据的采集、筛选与配比入手改善文化信号的保留程度。论文的核心主张因此可以概括为：如果文化知识在数据阶段就已经缺失，那么无论推理时的干预多么精巧，都无法真正实现对齐。
为方便后续研究，作者公开了一个经过文化标注的数据集，包含 560 万个样本，托管于 Hugging Face 平台，地址为 https://huggingface.co/datasets/CohereLabs/CultureMarkers。该论文以 arXiv:2606.13808v1 的编号提交，提交时间为 2026 年 6 月 11 日 18:21:10 UTC，全文文件约 14,030 KB，并提供 PDF、实验性 HTML 以及 TeX 源码等多种获取形式，遵循相应许可协议。论文的 DOI 为 https://doi.org/10.48550/arXiv.2606.13808，由 DataCite 签发（注册尚待完成）。
从更广的影响来看，这项工作把文化对齐的讨论从“推理时如何引导模型”转向“训练时如何保留文化”，为数据治理、数据集构建与评测设计提供了新的分析工具。其发布的标注数据集也为研究者提供了一个可复用的基础设施，用于检验不同训练阶段的文化信号强度，并据此调整数据管线的重心。