[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-lkvalues-sri-lankan-values-llm-alignment-zh":3,"article-related-lkvalues-sri-lankan-values-llm-alignment-zh":31,"series-research-b192d793-de18-4dbf-aadb-3cc9473c6ce1":74},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"b192d793-de18-4dbf-aadb-3cc9473c6ce1","lkvalues-sri-lankan-values-llm-alignment-zh","LKValues：把斯里蘭卡價值做進LLM對齊","\u003Cp>\u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 要怎麼對齊斯里蘭卡的在地價值？\u003C\u002Fp>\u003Cp data-speakable=\"summary\">LKValues 用問卷、15 萬筆指令資料與 1,000 筆評測，把斯里蘭卡價值轉成可用的 LLM 對齊套件。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：1,000 筆 benchmark\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：問卷驅動在地價值套件\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這篇論文在處理一個很實際的問題：\u003Ca href=\"\u002Fnews\u002Fopen-models-beat-safer-ones-autonomous-attacks-zh\">模型\u003C\u002Fa>看起來很會回答，不代表它懂當地文化。作者認為，現有的 LLM 對齊與評測，多半偏向西方價值，對斯里蘭卡這種多語社會尤其不夠用。\u003C\u002Fp>\u003Cp>如果你的產品要服務斯里蘭卡使用者，問題就不是「模型能不能講英文」，而是它會不會在該有的情境裡，給出符合在地社會規範的回應。LKValues 想補的，就是這個缺口。\u003C\u002Fp>\u003Ch2>這篇論文想解什麼痛點\u003C\u002Fh2>\u003Cp>摘要直接點出，LLM 的價值對齊研究長期偏向西方規範。這會讓多語社會裡的本地價值被忽略，尤其是低資源語言與在地化情境。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784788368868-w9ce.png\" alt=\"LKValues：把斯里蘭卡價值做進LLM對齊\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>作者把斯里蘭卡當成案例。原因很明確：現有 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 沒有把斯里蘭卡脈絡下的價值，特別是 Sinhala，放進去。結果就是，模型可能在通用測試看起來正常，但一到當地語境就失準。\u003C\u002Fp>\u003Cp>所以這篇不是只在談「文化敏感」這種抽象概念，而是在補兩個工程缺口：一個是沒有在地價值集合；另一個是沒有能把這些價值轉成訓練與評測資源的資料管線。\u003C\u002Fp>\u003Ch2>LKValues 怎麼做\u003C\u002Fh2>\u003Cp>這套方法的起點不是模型輸出，而是人。作者做了一個三語問卷，收集 205 位受訪者的意見，再把調整過的全球框架和 LLM 產生的在地構念結合起來，整理出 40 個多數人認同的社會價值。\u003C\u002Fp>\u003Cp>接著，這些價值被轉成兩種資源。第一個是 LKvaluesIT，一個以 Sinhala-English 新聞為來源的指令資料集，總共有 15 萬筆情境式樣本。第二個是 LKvaluesBench，一個價值導向的評測 benchmark，包含 1,000 筆資料。\u003C\u002Fp>\u003Cp>這個拆法很重要。指令資料集是拿來做微調或適配，benchmark 則是拿來確認模型是不是真的學到作者要的行為。也就是說，這篇不只是定義價值，而是把價值做成可以實作的訓練與評測\u003Ca href=\"\u002Fnews\u002Fai-agent-tool-landscape-report-2026-07-zh\">工具\u003C\u002Fa>。\u003C\u002Fp>\u003Cp>摘要也強調這套資源是 survey-grounded，也就是來自真實受訪者，而不是只靠模型生成，或直接從別的文化框架硬搬過來。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>摘要提到，作者用 LKvaluesBench 評估了一批商用與開源 LLM，也微調了三個開源 base model：Qwen3.5-4B-Base、Qwen3.5-9B-Base、Aya-Expanse-8B-Base。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784788370729-7f0v.png\" alt=\"LKValues：把斯里蘭卡價值做進LLM對齊\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>他們的結論是，新一代、規模更大的模型，還是會有低資源與文化價值對齊落差。這點很值得注意。因為它表示，單純把模型做大，不會自動解掉在地文化對齊問題。\u003C\u002Fp>\u003Cp>摘要也說，LKValues 的微調讓 \u003Ca href=\"\u002Ftag\u002Fqwen\">Qwen\u003C\u002Fa> 系列模型在英文與 Sinhala 兩邊都有改善，包含減少 invalid outputs，以及降低跨語言差異。不過，這些提升會依模型家族而異，代表這不是一招通吃的通用解法。\u003C\u002Fp>\u003Cp>要注意的是，摘要沒有公開完整 benchmark 數字。沒有具體 accuracy、win rate 或其他分數，所以如果你想比較不同模型到底提升多少，還是得回去看全文。\u003C\u002Fp>\u003Cp>即便如此，這篇的結果已經夠具體：它\u003Ca href=\"\u002Fnews\u002Fgemini-3-6-flash-efficiency-over-hype-zh\">證明\u003C\u002Fa>文化特定的對齊管線，至少能在部分\u003Ca href=\"\u002Ftag\u002F開源模型\">開源模型\u003C\u002Fa>上改善表現，同時也能揭露不同模型家族之間的落差。\u003C\u002Fp>\u003Ch2>對開發者有什麼實際影響\u003C\u002Fh2>\u003Cp>如果你在做多語助理、內容審核，或是公共部門系統，這篇的提醒很直接：alignment 不是一個全球通用模板。模型在英文通用測試上看似對齊，不代表它在低資源語言或本地價值上也合格。\u003C\u002Fp>\u003Cp>LKValues 的價值在於，它給開發者一個可重複的流程：先收集在地判斷，再把判斷整理成結構化價值集合，接著做情境式指令資料，最後用對應的 benchmark 檢查模型有沒有真的學到。這比空泛地談「文化敏感」更能落地。\u003C\u002Fp>\u003Cp>對實作來說，這種方法也比較像一個可移植框架，而不是一次性的資料集。你可以照著這個流程，替不同地區、不同語言，建立自己的在地對齊資料。\u003C\u002Fp>\u003Cp>不過，摘要沒有說明完整 benchmark 細節，所以如果你要把它直接拿進產品流程，還是需要自己補上領域測試，不能只靠這個套件就下結論。\u003C\u002Fp>\u003Ch2>限制與還沒解完的問題\u003C\u002Fh2>\u003Cp>摘要已經明講，改善效果會受模型家族影響。這表示同一套資料和微調方法，不一定能在不同架構、不同規模、不同訓練設定上得到同樣結果。\u003C\u002Fp>\u003Cp>另一個限制是範圍。這篇研究聚焦的是斯里蘭卡社會價值，不是萬用的 alignment 理論。這讓它更在地，但也意味著它的代表性，取決於問卷與建構流程本身。\u003C\u002Fp>\u003Cp>還有一個實務問題是，news-derived 的情境式資料，能不能完整反映真實部署場景。摘要沒有說 benchmark 是否涵蓋開發者最在意的所有情境，所以實際上線前，還是要搭配自己的 domain 測試。\u003C\u002Fp>\u003Cp>即使有這些限制，LKValues 仍然是低資源對齊研究裡很扎實的一種做法：有在地資料、有明確價值、有訓練集，也有能檢查模型是否尊重目標文化的評測。\u003C\u002Fp>\u003Ch2>結語\u003C\u002Fh2>\u003Cp>LKValues 證明，斯里蘭卡的價值對齊可以被整理成一套具體資源，並且真的能幫部分 Qwen 系列模型改善跨語言與無效輸出問題。\u003C\u002Fp>\u003Cp>對做多語 AI 的團隊來說，這篇的訊息很簡單：如果要對齊的是在地價值，資料也得是在地的。\u003C\u002Fp>","LKValues 用問卷、15 萬筆指令資料與 1,000 筆評測，把斯里蘭卡價值轉成可用的 LLM 對齊套件。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.20410",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784788368868-w9ce.png","research","zh","2ad5ef68-1c3c-4c21-815c-c57f2f52260e",[17,18,19,20,21,22],"LLM alignment","value alignment","Sri Lanka","Sinhala","instruction corpus","benchmark",[24,25,26],"用問卷把斯里蘭卡在地價值轉成可操作的 LLM 對齊資源。","LKvaluesIT 提供 15 萬筆指令資料，LKvaluesBench 提供 1,000 筆評測。","微調可改善部分開源模型，但效果會因模型家族而異。",0,"2026-07-23T06:32:27.005369+00:00","2026-07-23T06:32:26.995+00:00","723d4ec5-510d-4c2d-9cff-7d2cfbdfef50",{"tags":32,"relatedLang":33,"relatedPosts":37},[],{"id":15,"slug":34,"title":35,"language":36},"lkvalues-sri-lankan-values-llm-alignment-en","LKValues maps Sri Lankan values into LLM alignment","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"ac96becc-dd1a-47ac-a22f-5ab03d0475f1","softreason-differentiable-deductive-reasoning-zh","SoftReason把演繹推理變可微","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784790174266-p96s.png","2026-07-23T07:02:26.782539+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"ab79af23-d249-4c64-992d-15d501e933d2","new-slln-locally-lipschitz-functions-zh","局部 Lipschitz 函數的新版強大數律","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784786568823-es0m.png","2026-07-23T06:02:27.711865+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"53ada7ee-eeb4-4675-b8a9-29742e2c8fe4","open-source-android-ai-agents-host-code-zh","Android AI Agent 會把主機命令跑出來","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784728999652-h1gn.png","2026-07-22T14:02:47.890667+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"a2a16ea8-c295-4a4e-a887-89294bd40f74","coderescue-budget-calibrated-recovery-routing-zh","CodeRescue 用預算路由修復代理","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784703788706-iyd6.png","2026-07-22T07:02:32.818231+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"b6f7330a-8146-4acf-ab45-c9367c3e61e1","appearance-pointers-region-control-dits-zh","Appearance Pointers 讓 DiT 支援區域控制","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784701999191-3ruf.png","2026-07-22T06:32:27.754954+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"b00fe485-a4d9-4916-954c-398d66830a22","gear-cuts-copying-long-context-reasoning-zh","GEAR 讓長上下文少抄多想","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784700182832-nc4d.png","2026-07-22T06:02:29.644263+00:00",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":81,"slug":82,"title":83,"created_at":84},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":86,"slug":87,"title":88,"created_at":89},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":91,"slug":92,"title":93,"created_at":94},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":96,"slug":97,"title":98,"created_at":99},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":101,"slug":102,"title":103,"created_at":104},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":106,"slug":107,"title":108,"created_at":109},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":111,"slug":112,"title":113,"created_at":114},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":116,"slug":117,"title":118,"created_at":119},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":121,"slug":122,"title":123,"created_at":124},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]