位置未找到：暴露多语言大语言模型中隐式的局部与全局偏见
计算与语言
2026-04-22 v1 人工智能
摘要
多语言大语言模型（LLM）已缩小了不同语言之间的流畅性差距。这种进步虽然减少了跨语言知识和规范传播的风险，却也暴露了模型存在偏见行为的潜在风险。本文旨在量化模型在跨语言和同一语言内部的偏见，方法是通过其回答地点模糊问题的能力。为此，我们提出了 LocQA 测试集，包含 2156 个十二语言的问题，涉及各种地点相关的事实，如法律、日期和测量值。这些问题不包含除查询语言本身外的其他地点指示。因此，LLM 对 LocQA 中地点模糊问题的回答揭示了模型的隐式先验。我们使用 LocQA 对 32 个模型进行评估，发现两种结构性偏见。跨语言方面，我们展示了即使在非英语语言中询问，模型也倾向于与美国地点相关的答案。此外，我们发现这种全局偏见在经历指令调优的模型中，比其基线模型更为严重。同一语言内部方面，我们展示，当同一语言涉及多个地点时，模型充当人口更大的地点概率引擎，优先选择这些地点。综合而言，LocQA 的见解或有助于塑造 LLM 的所需本地行为，并量化各种训练阶段对不同偏见类型的影响。
引用
@article{arxiv.2604.19292,
title = {Location Not Found: Exposing Implicit Local and Global Biases in Multilingual LLMs},
author = {Guy Mor-Lan and Omer Goldman and Matan Eyal and Adi Mayrav Gilady and Sivan Eiger and Idan Szpektor and Avinatan Hassidim and Yossi Matias and Reut Tsarfaty},
journal= {arXiv preprint arXiv:2604.19292},
year = {2026}
}
备注
ACL 2026 main conference