Large language models perceive cities through a culturally uneven baseline

用 3,000 張全球街景圖測試三款頂尖 LLM，研究者獲得了 72,000 段場景描述。結論令人警覺：所謂「中性提示詞」根本不中性——歐洲與北美（ENA）觀點跟「無身分設定」的基準語義距離僅 0.137，拉丁美洲提示詞的偏移距離卻高達 0.189，高出整整 38%。這個偏誤不是附加在模型上的失真，它就藏在模型「無立場」本身之中。

3,000 圖 × 8 種文化身分：實驗如何量化偏誤

倫敦大學學院（UCL）與清華大學的研究團隊，從 Google Street View、百度全景等多個街景平台匯整了大型影像語料庫，最終篩選出 3,000 張場景均衡的全球街景圖。取樣策略刻意橫跨視覺場景類型、地點類型、國家與資料來源，避免某類典型城市景觀主導結果；城市中心與城鎮場景依 8:2 比例分配，地理覆蓋依聯合國行政邊界追蹤。

每張圖被送入三款前沿 LLM 評估：GPT-5.2、Claude Sonnet 4 和 Gemini 2.5 Flash，搭配 8 種提示詞條件——一個中性基準（不指定任何文化身分），加上七個依聯合國 SDG 分區定義的「身分提示詞」，分別代表：歐洲與北美（ENA）、中南亞（CSA）、北非與西亞（NAWA）、東亞與東南亞（ESEA）、撒哈拉以南非洲（SSA）、拉丁美洲與加勒比海（LAC）及大洋洲。

研究分兩個子研究。研究一要求模型自由描述場景，共產生 72,000 段文字，透過語義嵌入模型 all-mpnet-base-v2 向量化後計算各身分提示詞相對中性的「語義位移距離」，並以情感分類器 SiEBERT 量化正負情緒傾向。研究二要求模型對同一批圖片以 0-100 評分六個維度：安全、活力、財富、美感、無聊、壓抑。兩個子研究共享圖片與提示詞框架，結果可直接比對。

ENA 距中性 0.137，拉美偏離幅度高出 38%

研究一的核心結果清晰而重複。三款模型均一致顯示：ENA 提示詞跟中性基準的語義距離最短，三模型 pooled 均值 0.137，且在每款模型中都排名第一接近中性。最遠的是拉丁美洲與加勒比海（0.189）和大洋洲（0.192），比 ENA 高出約 38–40%。ENA 的跨模型距離範圍是 0.103 到 0.184，而最遠的提示條件跨模型是 0.138 到 0.231。

這個結論的含義相當具體：當模型「什麼文化立場都不說」時，它的語言輸出已預設了偏向歐美視角的參考框架。Bootstrap 95% 置信區間確認，ENA 與其他身分的語義距離差距幾乎全部為正值。在局部 PCA 的語義空間投影中，各身分條件並非隨機散布，而是圍繞中性提示佔據各自特定方向——同一條街道被以結構化的文化軌跡重新詮釋，不只是換了幾個詞。

在獨立的 100 張圖子集上，研究者測試了更粗粒度（5 大區，Macro5）和更細粒度（20 個次區域，Micro20）的提示詞，ENA 或對應的北美與西北歐在兩套框架下仍然持續距中性最近。改用「情境描述式」（而非角色扮演式）提示詞也不改變語義排序，僅情感偏好對提示詞措辭較為敏感。

北非西亞自我加分最高 0.276，Claude Sonnet 4 最強

語義位移之外，研究者另外計算了「內群偏好指數（IPI，Ingroup Preference Index）」——比較某個文化身分的提示詞對自己所屬區域場景的情感評分，是否高於其他身分提示詞評同一批場景的結果（以各區域情感標準差標準化）。

IPI 並非均勻分布於全球。最大正向 IPI 集中在北非與西亞、中南亞及部分撒哈拉以南非洲地區，三款模型的最高值介於 0.146 到 0.276 之間。整體模式是混合的，某些區域-模型組合接近零或呈負值，但 Claude Sonnet 4 展現了三款模型中最強烈且最廣泛的自我偏好傾向。

為了與真實人類描述比較，研究者引入了 Geograph Britain and Ireland 的人類文字-影像配對資料集，篩選出 1,000 張圖的基準子集。套用「UK」或「西歐」文化提示詞時，模型輸出確實更接近人類描述，語義距離比中性提示縮短了 0.005 到 0.016 cosine 單位——改善真實，但相當有限，且沒有恢復人類描述的兩個核心特質。

模型情感溢出 2.5 倍，語義多樣性壓縮至人類 57%

在語義多樣性上，人類 Geograph 文字的平均距心距離為 0.734，模型輸出只有 0.391–0.418，多樣性被壓縮至人類的 53–57%。詞彙多樣性指標（DISTINCT-2）差距更大：人類 0.686，模型只有 0.337–0.392，縮減近一半。

情感基調的差距同樣顯著。人類 Geograph 文字的平均情感分數（正減負概率）只有 0.387，模型輸出高達 0.823 到 0.975——高出 2.1 到 2.5 倍。這個正評溢出均勻分布在整個英國基準的地理範圍上，不是由少數特殊場景拉高的。

針對英格蘭、蘇格蘭、威爾斯三地的 IPI 對比更加說明問題：人類文字在三地均呈負向 IPI，英格蘭 -0.400、蘇格蘭 -0.256、威爾斯 -0.062，即人類對自己的地方評分反而低於外地視角。模型估計不只整體上移，部分案例還轉為正值，LLM 與人類的差距在三地跨模型介於 +0.220 到 +0.410。讓模型「聽起來更在地」，並不等於讓它具備「真實的在地視角」。

財富感偏移最大（0.215 s.d.），美感最穩定（0.106 s.d.）

研究二的結構化評分在六個維度上重複確認了相同的非對稱模式。在各文化身分相對中性的標準化偏移上，SSA（撒哈拉以南非洲）在所有模型中產生最大跨維度偏移（0.354–0.506 s.d.），ENA 再次最小（0.194–0.285 s.d.）；中南亞（0.289–0.335）和拉丁美洲（0.297–0.330）也均明顯高於 ENA。

在六個維度的個別文化敏感度上，財富感最易被文化身分提示詞改變，平均絕對偏移 0.141–0.215 s.d.；安全感次之（0.134–0.193 s.d.）；美感最穩定（0.066–0.106 s.d.）；無聊感的跨模型範圍最大（0.044–0.155 s.d.）。值得注意的是，財富與安全恰好是城市政策分配中最具實際影響力的兩個評估維度。

與 MIT Place Pulse 2.0 人類感知 ML 基準的比對，顯示 LLM 中性評分確實保留了部分人類感知的排序邏輯：美感的 Spearman 相關係數最高（0.593–0.637），財富感次之（0.503–0.541），無聊感最低（0.283–0.325）。LLM 的判斷「可以解讀」，但不等同人類判斷。

在更嚴格的「人類子群差異復現」測試中（以 90 對街景圖比較性別、年齡、國家三類組間差異），性別和年齡的排序相對容易複現（divergence 率 0.022–0.111），國家組的差異卻極難重現——divergence 率高達 0.230–0.400，嚴格方向吻合率幾乎趨近 0，且即使人類國家間差距顯著也無改善。

AI「中性」的文化座標：基準線本身已指向歐美

這篇論文的核心論點是：AI 的偏誤就藏在它的「無立場」本身之中。許多現有的 LLM 偏誤研究隱含一個預設——模型有穩定的中性基準線，偏誤是疊加在上面的問題。這組研究指向相反方向：基準線本身就已具有文化性，傾向某些城市視角所塑造的感知預期，而這個偏向在兩種任務格式、三款模型、全球與人類基準的交叉比對下反覆出現。

對城市規劃輔助、跨文化地方評估、空間設計決策等實際應用，這個結論有直接意涵。部署為「通用城市描述工具」的模型，其「預設」輸出並非文化中立，而是傾向某些早已內嵌在訓練資料與對齊程序中的參考框架。財富感和安全感的文化偏移最為劇烈——恰好也是最容易影響城市資源分配判斷的兩個面向。模型的限制在大量解析：三款當代模型、純街景影像、風格化的七大區身分代理、地理覆蓋不均的人類基準，都限制了結論的外推範圍，但核心發現的穩健性已相當充分。

LLM「中性」描述城市時，語義框架指向歐美；財富感知文化偏移幅度（0.215 s.d.）是美感的 2.5 倍，國家組對比的嚴格復現率趨近 0。