大型语言模型（LLM）常被当作跨语言知识接口使用，用户在不同语言下向同一模型提出文化类问题，期望得到与当地语境相符的回答。然而，一篇提交于2026年5月28日的arXiv论文指出，这类文化根基问题经常反映的是全球主流叙事，而非本地语境。作者将这一失效模式称为“全球叙事主导”（global narrative dominance），并以孟加拉语这一低资源文化语境为案例展开研究。该论文编号为arXiv:2605.30481，属计算与语言（cs.CL）方向，由Md Arid Hasan等四位作者完成，并已提交至ARR。
为系统测量这一问题，研究团队构建了名为CulturalNB的数据集，包含717个经人工筛选的孟加拉文化实例。每个实例都配有平行孟加拉语—英语问答对，以及支撑证据、元数据和社文化标注，使研究者能够在同一文化问题上对比不同提问语言所引发的模型表现差异。
在实验设置上，作者采用仅问题提示和基于证据提示两种方式，评估了九个当前最先进的LLM，并使用人类评审与两个独立的LLM评审进行判断。评价指标覆盖跨语言一致性、语言锚定、全球替换、机构偏见以及认知视角覆盖度等多个维度，试图刻画语言选择如何影响模型对文化知识的呈现。
结果显示，当问题以英语提出时，全球替换与机构化框架会系统性增加，而本地视角覆盖度则相应下降。换言之，同一文化问题若用英语提问，模型更倾向于用全球通行的叙事和机构视角来作答，从而挤压孟加拉本地的知识与观点。研究还发现，提供本地证据能够提升事实一致性和视角覆盖度，但并不能完全消除由语言引发的认知偏移。
作者由此指出，LLM在文化层面的失败不仅是知识缺失型错误，也涉及知识根基（grounding）与叙事优先级排序的失败。这意味着，仅靠补充本地知识或证据，可能不足以纠正模型在跨语言场景下的叙事偏向，还需要在训练与对齐层面处理语言所携带的认知框架问题。该研究对跨语言知识接口的可靠性与文化公平性提出了重要警示。