当一位伊朗出租车司机拒绝你的付款，说"这次请我做客"时，接受他的提议将是一场文化灾难。他们期望你坚持付款——可能需要三次——然后才会收下你的钱。这种拒绝与反拒绝的舞蹈被称为"塔罗夫"，它支配着波斯文化中无数的日常互动。然而，AI模型在这方面表现糟糕。
本月早些时候发布的一项新研究《我们礼貌地坚持：你的LLM必须学习波斯塔罗夫艺术》表明，来自OpenAI、Anthropic和Meta的主流AI语言模型无法吸收这些波斯社交礼仪，在塔罗夫情境中的正确率仅为34%至42%。相比之下，波斯母语人士的正确率达到82%。这一性能差距存在于GPT-4o、Claude 3.5 Haiku、Llama 3、DeepSeek V3和Dorna（Llama 3的波斯调优版本）等大型语言模型中。
由布鲁克大学的Nikta Gohari Sadr领导的研究团队，与埃默里大学和其他机构的研究人员合作，推出了"TAAROFBENCH"——首个用于衡量AI系统再现这种复杂文化实践能力的基准测试。研究人员的研究结果显示，最近的AI模型默认采用西方风格的直接表达，完全忽视了全球数百万波斯语使用者日常互动中的文化线索。
"在高风险环境中的文化失误可能破坏谈判、损害关系并强化刻板印象，"研究人员写道。对于越来越多用于全球背景的AI系统而言，这种文化盲视可能代表着一个西方人很少意识到的局限性。
塔罗夫：波斯社交礼仪的核心
"塔罗夫作为波斯礼仪的核心元素，是一种仪式化的礼貌系统，其中所说的内容与实际含义常常不同，"研究人员解释道。"它表现为仪式化的交流：尽管最初被拒绝，但一再提供；在赠送者坚持时拒绝礼物；在他人肯定时回避赞美。这种'礼貌的语言角力'（Rafiee，1991）涉及提供与拒绝、坚持与抵抗的微妙舞蹈，它塑造了伊朗文化中的日常互动，为慷慨、感激和请求的表达创造了隐含的规则。"
研究人员设计的TAAROFBENCH中的塔罗夫情境示意图。每个情境都定义了环境、地点、角色、语境和用户话语。
礼貌的语境依赖性
为了测试"礼貌"是否足以实现文化胜任力，研究人员使用英特尔开发的"礼貌守卫"分类器（Polite Guard）评估了Llama 3的回应，该分类器可以评估文本的礼貌程度。结果揭示了一个悖论：84.5%的回应被评定为"礼貌"或" somewhat polite"，但只有41.7%的相同回应实际上符合波斯文化对塔罗夫的期望。
这42.8个百分点的差距表明，LLM的回应可能在一种语境下是礼貌的，而在另一种语境下却是文化上不合时宜的。常见失误包括没有初步拒绝就接受提议、直接回应赞美而不是回避它们，以及毫不犹豫地直接提出请求。
想象一下，如果有人赞美伊朗人的新车，文化上恰当的回应可能包括淡化这次购买（"没什么特别的"）或转移功劳（"我只是很幸运找到了它"）。AI模型倾向于生成"谢谢！我努力工作才买得起"这样的回应，这在西方标准下是完全礼貌的，但在波斯文化中可能被视为自夸。
文化压缩的挑战
从某种意义上说，人类语言就像一种压缩和解压缩方案——听众必须以说话者在编码信息时预期的方式解压缩词语的含义，以便正确理解。这个过程依赖于共享的语境、文化知识和推理，说话者通常会省略他们期望听众能够重建的信息，而听众必须积极填补未说明的假设、解决歧义并推断超越字面话语的意图。
虽然压缩通过省略隐含信息使沟通更快，但当说话者和听众之间不存在这种共享语境时，它也为戏剧性的误解打开了大门。
同样，塔罗夫代表了一种文化高度压缩的情况，字面信息和预期意图之间的差异足够大，以至于主要基于西方明确沟通模式训练的LLM通常无法处理波斯文化语境，即"是"可能意味着"不"，提议可能是拒绝，坚持可能是礼貌而非强迫。
语言的影响
由于LLM是模式匹配机器，当研究人员用波斯语而非英语提示它们时，分数提高也就不足为奇了。DeepSeek V3在塔罗夫情境中的准确率从36.6%跃升至68.6%。GPT-4o也显示出类似的提升，提高了33.1个百分点。语言转换显然激活了不同的波斯语言训练数据模式，这些模式更好地匹配了这些文化编码方案，尽管较小的模型如Llama 3和Dorna分别显示出12.8和11个百分点的适度提升。
研究包括33名人类参与者， evenly divided among native Persian speakers, heritage speakers（波斯血统但在英语环境中长大的人）和非伊朗人。母语人士在塔罗夫情境中达到81.8%的准确率，建立了性能上限。heritage speakers达到60%的准确率，而非伊朗人得分为42.3%，几乎与基础模型性能相当。据报道，非伊朗参与者表现出与AI模型相似的模式：避免从自身文化视角被视为粗鲁的回应，并将"我不会接受拒绝"等短语解读为具有攻击性而非礼貌坚持。
性别偏见与文化刻板印象
研究还揭示了AI模型输出中的性别特定模式，同时测量了AI模型提供符合塔罗夫期望的文化适当回应的频率。所有测试模型在回应女性时的得分都高于男性，GPT-4o对女性用户的准确率为43.6%，而对男性用户为30.9%。语言模型经常使用训练数据中常见的性别刻板印象模式来支持其回应，声称"男人应该付款"或"女人不应该单独留下"，即使塔罗夫规范无论性别平等适用。"尽管在我们的提示中从未为模型分配性别角色，但模型经常假设男性身份并在回应中采用典型的男性行为，"研究人员指出。
教授文化细微差别
研究人员发现的非伊朗人类与AI模型之间的平行性表明，这些不仅仅是技术失败，也是在跨文化语境中解码意义的基本缺陷。研究人员不仅记录了问题，还测试了AI模型是否能够通过有针对性的学习掌握塔罗夫。
在试验中，研究人员报告称，通过有针对性的适应，塔罗夫分数有了显著提高。一种称为"直接偏好优化"（一种训练技术，通过向模型展示成对的示例来教它更喜欢某些类型的回应）的技术使Llama 3在塔罗夫情境中的性能翻了一番，准确率从37.2%提高到79.5%。监督微调（使用正确回应的示例训练模型）产生了20%的提升，而使用12个示例的简单上下文学习则提高了20个百分点。
研究人员开发的方法用于测试AI系统对波斯文化的理解能力。
超越波斯文化：更广泛的文化适应性
虽然研究专注于波斯塔罗夫，但其方法可能为评估其他在标准西方主导的AI训练数据中可能未得到充分代表的低资源传统中的文化解码提供了模板。研究人员建议，他们的方法可以为教育、旅游和国际交流应用中开发更具文化意识的AI系统提供信息。
这些发现凸显了AI系统如何编码和延续文化假设，以及在人类读者思维中可能发生解码错误的更广泛方面。LLM可能拥有许多研究人员尚未测试且如果LLM被用于促进文化和语言之间的翻译可能产生重大影响的上下文文化盲点。研究人员的工作代表了朝着能够更好地驾驭西方规范之外更多样化的人类沟通模式的AI系统迈出的早期一步。
未来展望：构建真正的多元文化AI
随着AI系统在全球范围内的应用日益广泛，它们必须超越简单的语言翻译，真正理解文化细微差别。波斯塔罗夫研究只是冰山一角——世界上还有无数其他文化规范、社交礼仪和沟通模式需要AI系统掌握。
未来的AI发展需要：
文化多样化训练数据：确保训练数据包含来自不同文化的广泛视角和互动模式。
文化情境化评估：开发更多像TAAROFBENCH这样的基准测试，评估AI在不同文化语境中的表现。
文化自适应机制：使AI能够根据用户的文化背景调整其回应方式和社交礼仪。
跨文化专家参与：在AI开发过程中纳入来自不同文化背景的专家，确保文化敏感性和准确性。
只有通过这些努力，AI系统才能真正成为连接不同文化的桥梁，而非强化文化偏见的工具。波斯塔罗夫研究提醒我们，技术进步必须与文化理解齐头并进，才能创造出真正造福全人类的智能系统。
