TL;DR
Когда просишь LLM описать место, оценить обстановку или дать «объективный взгляд» — модель смотрит глазами жителя Западной Европы или Северной Америки. Это не случайность: «нейтральный» промпт статистически ближе к европейской перспективе, чем к любой другой. Для Латинской Америки, Африки, Центральной Азии — «нейтральный» контекст оказывается самым далёким от родного.
Практическая боль: просишь «честный разбор» картинки, концепции или места — получаешь западный взгляд, упакованный как универсальный. Модель описывает богатство, безопасность, красоту через одну конкретную культурную линзу — и не предупреждает об этом. Оценки для незападных контекстов идут «с пересчётом» через чужой стандарт.
Решение — явно указывать культурную перспективу в промпте. Это сдвигает описания значительно, особенно по параметрам «богатство» и «безопасность». Но есть важный предел: даже с явным культурным контекстом LLM остаётся чрезмерно позитивным и однообразным — реальные люди описывают места куда разнообразнее и эмоционально честнее.
Схема находки
БЕЗ явного культурного контекста:
→ LLM использует западноевропейский/североамериканский эталон
→ Описания «нейтральные» по форме, но культурно ориентированные по сути
С явным культурным контекстом ("опиши с точки зрения жителя X"):
→ Описания значительно сдвигаются, особенно по богатству и безопасности
→ Регионы-аутсайдеры (Африка, Центральная Азия) сдвигаются сильнее всего
→ Оценки собственного региона становятся заметно позитивнее
Важный предел (в обоих случаях):
→ Модель описывает всё более позитивно, чем реальные люди
→ Разнообразие описаний сильно ниже человеческого
→ Страновые различия между людьми модель воспроизводит плохо
Всё проверялось в одном промпте — смена культурной перспективы работает без дополнительных запросов.
Пример применения
Задача: Ты пишешь карточки объектов недвижимости для платформы, которая продаёт квартиры в Алматы российским инвесторам. Нужно описать район — не с московской точки зрения, а так, как его воспринимают местные жители.
Промпт:
Опиши этот городской район с точки зрения жителя Центральной Азии,
который вырос в Алматы.
Фокус на: атмосфере улиц, ощущении безопасности,
признаках достатка — так, как их понимает местный человек,
а не приезжий из Западной Европы.
Район: [вставь описание или загрузи фото]
Избегай западных стандартов «нормального» городского пространства.
Опирайся на локальные маркеры качества жизни.
Результат: Модель сдвинется в описании значительно — особенно в оценках безопасности и достатка. Маркеры «хорошего района» изменятся под локальный контекст. При этом описание всё равно будет несколько позитивнее реальности — это системное свойство LLM, которое сложно полностью убрать.
Почему это работает
LLM обучены на текстах, где западный взгляд преобладает. Большинство описаний городов, путеводников, рецензий, новостей в обучающих данных — написаны из европейско-американского контекста. Это не чей-то злой умысел — просто так устроен интернет. Когда модель генерирует «нейтральное» описание, она воспроизводит самый частотный паттерн.
Явная перспектива работает как переключатель контекста. Когда ты пишешь «с точки зрения жителя Х» — модель перестраивает генерацию на другой паттерн, ближе к текстам этого региона. Наибольший сдвиг даёт указание на незападный регион: именно для них «нейтральный» эталон был наиболее чужим, и переключение — самым ощутимым.
Рычаги управления — чем можно играть: - Конкретный регион vs абстрактная культура → чем точнее («житель Ташкента» vs «житель Центральной Азии»), тем острее сдвиг - Измерение: безопасность и богатство → именно они меняются сильнее всего при смене перспективы; красота — устойчивее - Добавить явный запрет («избегай западных стандартов») → уменьшает откат к дефолтному эталону - Попросить несколько перспектив подряд → покажет, насколько сильно одно и то же место может восприниматься по-разному
Шаблон промпта
Опиши {объект/место/ситуацию} с точки зрения {конкретный человек
из конкретного региона — например, «местный житель Баку среднего класса»}.
Используй стандарты и ожидания, которые приняты в {регион/культура},
а не западноевропейские или американские.
Особое внимание удели: {выбери из — безопасность / богатство / красота /
атмосфера / повседневный ритм}.
Избегай: оценивать место как «хорошее» или «плохое» по умолчанию.
Описывай через локальные маркеры.
{Вставь описание, текст или контекст для анализа}
Что подставлять:
- {объект} — место, район, продукт, идея, которую оцениваешь
- {конкретный человек из конкретного региона} — чем конкретнее, тем лучше: не «житель Африки», а «молодой предприниматель из Лагоса»
- {регион/культура} — уточняет, какой эталон использовать
- {выбери параметр} — выбирай безопасность или богатство, если хочешь максимального сдвига
🚀 Быстрый старт — вставь в чат:
Вот шаблон для культурного переключения перспективы LLM.
Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про регион, конкретного «наблюдателя» и что именно оцениваешь — потому что без этого невозможно определить, с какой культурной точки зрения генерировать.
Ограничения
⚠️ Позитивный сдвиг не убирается: Даже с правильно настроенной перспективой модель описывает места заметно позитивнее, чем реальные люди. Это системное свойство — LLM «причёсывает» негатив. Если нужна честная оценка — явно проси критику или недостатки отдельно.
⚠️ Страновые различия воспроизводятся плохо: Гендерные и возрастные различия в восприятии модели ещё как-то имитируют. Страновую специфику — почти нет. Для глубокого понимания местных нюансов LLM не замена носителям культуры.
⚠️ Культурный контекст = стилизация, не знание: «Житель Центральной Азии» в промпте переключает языковой паттерн, но не даёт модели реального опыта жизни там. Получаешь лучшую аппроксимацию, не реальность.
⚠️ Разнообразие всё равно ниже человеческого: Модель выдаёт более однообразные описания, чем реальные люди. Если нужен широкий диапазон точек зрения — делай несколько запросов с разными персонажами, не один.
Как исследовали
Команда собрала 3 000 уличных фотографий из разных городов мира — стратифицировали по регионам, типу места и визуальному разнообразию, чтобы не получилось «европейских улиц по умолчанию». Каждое фото прогнали через 8 промпт-условий: один нейтральный и семь с явным региональным контекстом (Европа/Северная Америка, Центральная/Южная Азия, Восточная Азия, Африка и так далее) — на трёх моделях: GPT-5.2, Claude Sonnet 4, Gemini 2.5 Flash. Итого: 72 000 описаний в открытом формате и ещё столько же структурированных оценок по шести параметрам.
Затем сравнили с реальными человеческими описаниями — использовали британский архив Geograph с фотографиями и подписями от волонтёров. Оказалось интересное: даже когда модель явно просили «опиши с британской точки зрения», её тексты были заметно более позитивными и однообразными, чем реальные британские подписи. Люди пишут разнообразно, эмоционально честно, иногда скучно или критично — модель стабильно «улучшает» реальность.
Больше всего удивило исследователей, что «нейтральный» промпт не просто тяготеет к западному взгляду — он систематически находится ближе к европейско-американской перспективе, чем к любой другой. Это воспроизвелось на всех трёх моделях без исключений.
Адаптации и экстраполяции
Принцип работает не только для мест. Исследование про города, но механика универсальна: «нейтральная» оценка любого контента — продукта, бизнес-идеи, текста — несёт в себе культурный эталон. Это применимо к любой задаче, где важна локальная релевантность.
🔧 Техника: многоперспективный анализ бизнес-идеи
Попроси оценить одну и ту же идею от лица трёх разных «наблюдателей» с явными культурными контекстами:
Оцени эту бизнес-идею с трёх точек зрения:
1. Инвестор из Москвы, ориентированный на быстрый рост
2. Предприниматель из Алматы, знающий центральноазиатский рынок
3. Покупатель из малого российского города
Идея: {твоя идея}
Для каждого: что привлечёт, что оттолкнёт, какой главный вопрос возникнет.
Получишь три реально разных взгляда — не потому что модель «думает по-разному», а потому что переключение явного культурного контекста меняет паттерн генерации.
🔧 Техника: запрос на критику вместо описания → борьба с позитивным сдвигом
Раз LLM системно приукрашивает — добавь явный противовес:
Опиши {объект} с точки зрения {местный житель региона X}.
Затем — что именно этот человек нашёл бы неудобным,
раздражающим или чужеродным в этом месте/продукте/идее.
Не сглаживай критику. Реальные люди видят недостатки.
Ресурсы
Large language models perceive cities through a culturally uneven baseline
Авторы: Rong Zhao, Wanqi Liu (совместно первые авторы), Zhizhou Sha, Nanxi Su, Yecheng Zhang
Организации: University College London (Лондон, Великобритания), Tsinghua University (Пекин, Китай), The University of Texas at Austin (Остин, США)
Бенчмарки и данные: Place Pulse (датасет городского восприятия), Geograph Britain and Ireland (человеческие текстово-визуальные пары), GHS Framework (классификация городских зон)