本研究提出了一种新方法来评估大型语言模型的常识智能，结果显示其能力普遍低于人类中位数，并且与人类共识的相关性适中。这强调了结合常识智能与文化背景的重要性，以帮助AI模型更好地适应不同社会知识。

本研究提出NativQA框架，旨在解决大型语言模型在多语言和文化背景下的公平性问题。该框架结合用户查询与搜索引擎，生成了30万个问答对，为模型基准测试提供了资源。

本研究分析了大型语言模型在文化适应的数学问题中的表现，发现文化引用的变化对模型，尤其是小模型，影响显著。强调需丰富训练数据，以提高模型在实际应用中的鲁棒性。

本研究分析了19世纪美国报纸中“奴隶”和“仆人”两词的使用差异及其文化背景，发现“奴隶”主要与社会经济和法律相关，而“仆人”在北方与宗教相关，南方则与家庭相关。这有助于理解当时对非洲裔美国人的不同话语。

本研究提出了一种评估生成式人工智能工具在文化背景下创造实践的方法，以增进对生成艺术作品文化多样性的理解，帮助艺术家更有效地运用技术。

通过CulturePark，我们生成了41,000个文化样本来优化语言模型。这些模型在内容审查、文化协调和文化教育任务中表现优异，尤其在内容审查中超越或匹敌GPT-4。CulturePark强调了文化包容性数据在模型训练中的重要性，是解决文化偏见的重要进展。

文章探讨了“词不达意”的概念，强调语言表达与内心感受之间的差距。分析了情感、文化背景和个人经历对表达的影响，并通过实例展示了克服这种障碍的方法，以提高沟通效果。

本研究通过对大语言模型进行适应和扩展，探究了构建语言专属大语言模型的方法。实验结果表明，通过词汇扩展和持续微调可以提高大语言模型的效率和任务性能。适应方法的选择取决于语言，简单的方法在各种实验中表现良好。相比适应多语言模型，以英语为中心的模型在资源稀缺语言上表现更好。这项工作为构建语言专属大语言模型提供了基础。

通过对大型语言模型进行 Hofstede 文化维度的建议请求，研究发现大型语言模型在反映用户国家的价值观方面存在差异，但在回答问题时不一定遵循这些价值观，难以理解基于不同文化价值观的差异，因此提出了训练以价值观和文化敏感为导向的大型语言模型的建议。

研究人员通过引入多语言的食品文化和实践数据集，发现语言模型对美国的食品知识存在偏见。融入相关文化背景可以提高模型访问文化知识的能力。研究强调将文化理解融入语言模型的复杂性，并强调多样化的数据集对减少偏见和提高模型性能的重要性。

从项目的可持续发展说起 在开源的世界里，有一个词汇是大家非常熟悉的 —— burnout [1]，每次它出现的时候，总是带给人们更多的焦虑，与感慨世风日下，尤其

7年前，我曾写过两篇著名的博文（和一本书）–《如何让你的文化有效》和《如何使您的文化与敏捷、看板和软件工艺一起工作》。在这篇博文中，你将学习到具体如何做到这点，及最新的建议和实践经验。文章的重点是如何在尊重东道国组织文化的同时，在文化泡泡中创造最大的成功。 如果你对发展组织文化感兴趣，请阅读《如何改变您的组织文化》一文。 文化是一种局部现象 首先要明白，在所有的组织中，文化是一种局部现象。有...