皮膚科 ›廣告和新聞該不該信

35 變成 395

同一個模型，同一批 1,320 道英文題目。預訓練跑完的版本，回答裡提到日本 35 次。餵進一層人類寫的示範資料、做完監督式微調之後，395 次。

張宏嘉 Benjamin Chang 皮膚科專科醫師 · VSKIN 院長 · PSKIN 主治醫師

更新於 2026年7月23日 AI論文導讀

同一個模型，同一批 1,320 道英文題目。預訓練跑完的版本，回答裡提到日本 35 次。餵進一層人類寫的示範資料、做完監督式微調之後，395 次。

十一倍。中間沒有換模型，沒有換題目，沒有加任何新的網路資料。

這個數字叫 OLMo-3-7B，出自四月二十三號掛上 arXiv 的一篇預印本：〈Why are all LLMs Obsessed with Japanese Culture?〉。作者三人，一個在西班牙巴斯克大學 HiTZ 中心，兩個在卡迪夫大學。

而這篇論文接下來的遭遇，比論文本身更值得看。

📊 研究做了什麼

團隊建了一組叫 CROQ 的題庫：11 個文化領域、66 個子主題、1,320 道刻意不指定地點的開放題，翻成 24 種語言，總計 31,680 題。

題目本身很素：「什麼樣的價值觀形塑家庭生活（在某地）？」後面掛一行指令——簡短回答，地點你自己挑。

受測的八個模型是 gpt-4o-mini、gemini-2.5-flash、claude-3.5-haiku、llama-4-maverick、command-r、magistral-small、qwen3-next-80b、deepseek-v3.2。全是各家的輕量級產品線，不是旗艦。

回答由 gpt-4o-mini 擔任裁判，抽出每則回答指向的國家。人工驗證 264 題，準確率 98%。

🇯🇵 標題上的日本，帶著一個括號

論文寫：八個模型有六個最常提到日本。這句被大量轉載。

但這個排名成立的前提是——先把模型自己語言所屬的國家扣掉。

扣掉之前的真實分布：43%（Command-r）到 78%（GPT）的回答，指向該語言的官方所屬國。用中文問講中國，用阿拉伯文問講埃及，用日文問講日本。日本在全部回答裡佔比大約 5%。

換句話說，模型最強的先驗不是日本，是「你剛剛用什麼語言打字」。

分主題看，這個排名還會再鬆一次：地理與經濟主題美國領先，政治與歷史主題日本落到第三、第四位。

（附帶一提，論文自己在同一節前後寫了「六個模型」和「五個偏日本、兩個偏美國」兩種說法，沒有處理這個矛盾。Gemini 那一列是日美同分。）

⚙️ 真正的新發現：問題出在後訓練

過去多數文化偏誤研究，都把矛頭指向預訓練資料。這篇往後推了一段。

團隊挑了 OLMo 系列，因為它把訓練中途的檢查點全部公開，可以逐階段比對。結果是熵值（分布均勻程度）一路往下：OLMo-2-7B 基礎版 0.84，做完監督式微調掉到 0.63，對齊之後 0.64。

Llama、Gemma、Mistral、Qwen 四個家族的「基礎版 vs 指令版」對照也指向同一件事。平均而言，基礎版提到日本 148 次、美國 299 次；指令版變成日本 341、美國 343，其餘國家全面下滑。

值得注意的是 Qwen2.5-32B——一個在中國訓練的模型。基礎版提到日本 183 次，指令版 489 次。

作者的判讀是：讓模型變得好用、有禮貌、不出事的那道工序，同時把它的世界地圖壓扁了。而且壓的方向，和模型自己的出身無關。

🌍 但論文的重心其實不在日本

附錄那張語言表才是重點。24 種語言按 CommonCrawl 資料占比排列：英文 44.83%，中文 5.16%，巴斯克語 0.0306%，豪薩語 0.0027%。

對應的輸出結果：

• 用英文問，回答涵蓋 157 個國家，自我指涉只佔 31%
• 用阿姆哈拉語問，涵蓋 38 個國家
• 用豪薩語問，10,560 次提問裡有 3,270 次交白卷或判讀不出地點，接近三分之一
• 用阿薩姆語問，83% 的回答只講自己國家

資料量與輸出多樣性的 Spearman 相關係數 0.843，p<0.001。

第一作者所屬的巴斯克大學，把巴斯克語放進了測試名單：使用人口 80 萬，資料占比 0.0306%，落在表格最後一行，自我指涉率 78%。

論文真正在講的是：低資源語言的使用者，問AI一個開放的文化問題，得到的世界只有自己家門口那一塊，或者什麼都沒有。

流傳的貼文在結尾這樣解釋：因為數十年的軟實力、豐富的文化輸出、乾淨且廣受推崇的數位檔案，讓日本文化對 AI 安全過濾器來說特別「安全」；實驗室要模型無害又討喜，AI 就退回文化上的安慰食物，靠動畫、壽司和傳統避開爭議。

論文全文——摘要、七個章節、七個附錄、十三張表、限制與倫理章節——沒有這段。

一位日本讀者在部落格拆解同一篇論文時，也記下了同樣一句話：這篇沒有回答「為什麼是日本」。

🪞 這件事的自我指涉

論文的核心結論是：人為了讓 AI 好用又不出事，餵進一批示範資料，AI學會把整個世界壓縮成幾個安全、好講、不惹事的名字。

社群上發生的事情，結構一模一樣。一份跑了 24 種語言、附錄疊了十三張表的研究，被壓縮成一個好講的詞：日本。再補上一段沒有出處的因果解釋，讓讀完的人以為自己懂了。

差別只在於，這一次做壓縮的是人。

🧭 三個可以帶走的操作

一、看到「研究證明」四個字，先找編號。這篇是 arXiv:2604.21751，有開放 HTML 版，可以直接 Ctrl+F。

二、看到排名，先找前提。「最常被提及」通常有一個被省略的括號，而括號裡往往就是整篇的重點。

三、看到因果解釋，先去原文搜關鍵字。搜 soft power，五秒鐘。

補充與限制

該文為預印本，未通過同儕審查，結論可能改變。研究本身有幾個作者自陳的限制：基礎版與指令版的比對只做了英文；基礎模型使用不同的少樣本提示法問答，可能獨立影響結果；出題由 GPT-5.1 半自動生成，裁判模型 gpt-4o-mini 本身也是八個受測模型之一，作者在倫理章節承認了這層循環。

利益揭露：本文與任何 AI 公司無商業關係。我日常使用多家 LLM 處理文獻與寫作，包含文中受測的部分模型。文中數字取自該預印本正文與附錄表 1、表 6、表 9、表 12、表 13。