TL;DR
Если спросить модель о факте с культурной неоднозначностью — на разных языках она даст разные ответы, хотя вопрос один и тот же. Достаточно попросить модель отвечать с точки зрения конкретной культуры или демографической группы, и она сдвигает ответ в нужную сторону — без смены весов, без технических манипуляций.
Модели обучены в основном на английских данных, и внутри у них есть общее «смысловое пространство» знаний на разных языках. Но когда приходит время выдать ответ, модель по умолчанию скатывается к самому распространённому в интернете (часто англоцентричному) варианту. Проблема хуже всего проявляется там, где у факта нет единственно верного ответа — например, "какая у него профессия" или "откуда этот человек" для людей с двойным гражданством или спортсменов, сменивших сборную. JSD (мера различия распределений ответов) между языками доходила до 0.4 именно в таких "гибких" категориях — и почти нулевая в жёстких фактах типа "столица страны".
Исследователи сравнили четыре способа исправить это: простую фразу-персону в промпте, технику CAA (вмешательство в активации модели), и два варианта дообучения через DPO. Персона-промптинг — самый простой и дёшёвый метод — оказался лучшим по балансу эффективности и безопасности: сдвигает ответы к нужной культуре, но не портит остальные знания модели. Технические методы дают резкие сдвиги, но либо ломают другие факты (CAA), либо работают уже и хуже переносятся (DPO).
Схема метода
ШАГ 1: Определи факт с потенциальной культурной вариативностью (профессия, национальность, происхождение)
ШАГ 2: Добавь в промпт персону целевой аудитории → модель выдаёт ответ, смещённый к этой культуре
Метод одношаговый — всё делается в одном промпте, без дополнительных запросов.
Пример применения
Задача: Нужно узнать факт о человеке с двойной культурной принадлежностью — например, для контент-плана про звёзд спорта с "неоднозначным" происхождением.
Промпт:
Ответь как этнический кореец, разбирающийся в конькобежном спорте и олимпийской истории Кореи.
Виктор Ан (안현수) — расскажи откуда этот спортсмен, за какую страну он выступал и как его воспринимают на родине.
Для сравнения — тот же вопрос без персоны или с персоной "россиянин":
Ответь как русский болельщик, который следит за шорт-треком.
Виктор Ан (안현수) — расскажи откуда этот спортсмен, за какую страну он выступал и как его воспринимают в России.
Результат: Без персоны модель, скорее всего, выдаст усреднённый, "международный" ответ (упомянет и Корею, и Россию поверхностно). С корейской персоной — акцент на корейском происхождении и восприятии его как "предателя" в Корее. С российской персоной — акцент на его роли в сборной России и золоте Сочи-2014. Один и тот же факт, разный фокус — потому что персона активирует разный культурный контекст модели.
Почему это работает
Модель хранит знания на разных языках в общем "смысловом хранилище", но при генерации ответа тянется к самому частому варианту из обучающих данных — обычно англоцентричному. Это не пробел в знаниях, а проблема выбора — модель знает больше, чем показывает по умолчанию.
Зато модель отлично умеет играть роль. Инструкция-персона в промпте не меняет "начинку" модели — она просто говорит ей, какой угол зрения использовать, и модель достаёт релевантные знания, которые у неё уже есть, но не всплывают без подсказки.
Рычаг управления: чем конкретнее персона (не просто "немец", а "немец, интересующийся футбольной историей"), тем точнее сдвиг. Общие персоны дают слабый эффект, узкие — сильный.
Шаблон промпта
Ответь на вопрос ниже с точки зрения {персона: страна/культура/профессиональная группа}, как если бы ты сам был человеком из этой среды и разделял её типичные представления по этой теме.
Вопрос: {вопрос с потенциальной культурной или языковой вариативностью ответа}
Что подставлять:
- {персона} — конкретная демографическая или культурная группа, релевантная вопросу
- {вопрос} — факт, где ответ может отличаться в зависимости от точки зрения (национальность, происхождение, авторство и т.п.)
🚀 Быстрый старт — вставь в чат:
Вот шаблон persona prompting для получения культурно-специфичного ответа на факт. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, о каком человеке/факте речь и какая культура тебе нужна — потому что без этого нельзя выбрать правильную персону и угол зрения.
Ограничения
⚠️ Не работает на однозначных фактах: если у вопроса есть единственно верный ответ (столица страны, дата события) — персона ничего не изменит, а может внести шум.
⚠️ Нужно заранее знать релевантную культуру: метод не подскажет сам, какая персона нужна — если не понимаешь, откуда берётся расхождение в ответах, эффекта не будет.
⚠️ Риск для точности на объективных вопросах: в целом по исследованиям персона-промптинг может случайно ухудшить фактическую точность там, где культурного контекста не требуется — в этой работе риск оказался минимальным, но это не гарантия для любой задачи.
Как исследовали
Команда взяла модель Gemma 3 12B Instruct и собрала датасет фактов на шести языках (английский, немецкий, испанский, болгарский, корейский, шведский) — про национальность, профессию, происхождение и похожие "гибкие" категории. Модель гоняли 10 раз на каждый вопрос при разных температурах и смотрели, как сильно распределение ответов отличается между языками через метрику Jensen-Shannon distance.
Дальше сравнили четыре способа исправить расхождение: персона-промптинг, технику CAA (вмешательство в активации модели через "векторы направления"), и два варианта дообучения через DPO — на данных прямо из бенчмарка и на более общих "культурных" данных.
Удивительный итог: самый простой и дёшёвый метод — персона-промптинг — оказался лучшим по совокупности показателей. CAA даёт резкие локальные улучшения, но легко "перегибает" и портит обычные факты, если настройки не идеальны. DPO безопасен, но даёт более узкие и менее переносимые улучшения, требует дообучения модели. Логика авторов: раз простая словесная подсказка работает почти так же хорошо, как дорогие технические вмешательства, значит, культурное знание у модели уже есть — проблема не в отсутствии знаний, а в том, что модель "выбирает" не то по умолчанию.
Ресурсы
Alexander Manev, Technical University of Munich. Inference-Time Steering for Cross-Lingual Factual Consistency in LLMs.