靠刻板印象对齐：LLM为文化适配牺牲个体差异

arXiv:2609.05993v1 公告类型：新提交 摘要：大语言模型（LLM）正越来越多地被用于个性化交互，而通过用户画像进行人口统计条件化是实现文化适应的广泛采用策略。我们提出一个问题：这种方法是真正服务于个体用户，还是通过抹除个体独特性来换取准确性？我们在世界价值观调查（World Values Survey）上研究了包括前沿模型 GPT-5.1 在内的七个模型，发现人口统计画像确实提升了大多数模型的价值观对齐准确率，但代价是系统性地损害了个体性。换言之，模型会将回答拉向人口统计群体的中心点，而非保留个体差异——我们将这种行为模式称为"基于刻板印象的对齐"（alignment by stereotyping）。置换检验（10,000 次置换、六个人口统计属性、七个模型）证实，表现最优的模型对个体的压缩程度远超人类基线；同系列模型（within-family）的规模化放大了这一权衡，同时削弱了内在的文化理解能力。利用一个在 PRISM（Kirk et al., 2024）真实人机对话数据上验证过的合成对话数据集，我们进一步表明，将人口统计信号分布在多个对话轮次中，相比紧凑的人口统计标签，能部分抑制原型检索（prototype retrieval）；该发现已通过 PRISM 真实对话验证，但仍需在更大规模上复现。