合成文化智能体能否由总体偏好锚点构建？

按群体索引的选择策略，而非合成人口

论文把合成文化智能体定义为一种按群体索引的选择策略。它明确既不是自主智能体，也不是人类受访者的样本。这一构建从已声明的总体偏好基准出发，而不是从个体层面的微观数据出发，因此符号向量无法识别群体内部的偏好分布。

对每个人口，六个全球偏好调查坐标的符号被读作一个六维画像。这些符号确定性地为一组共享的对比性合成回答打标签：对每一对回答，当该群体在配对目标维度上的GPS得分不低于零时选择选项A，否则选择选项B。随后用直接偏好优化在这些比较上拟合一个参数高效的适配器，并通过正则化的Bradley–Terry配对选择模型来解释。每个适配器都在多个偏好维度上联合训练。

这个示例让打标签过程变得具体。阿根廷导出的正向互惠得分为+0.1596793085，因此它在三元组00023ac74dac上被选中的选项是A。论文明确指出，这是一个确定性的训练标签，并不描述阿根廷人实际做出的选择。情景文本与后来的WVS题目（如Q81）是不同的文本；它们共享的拟定维度是映射的一个假设，而不是这个示例所确立的东西。

省略国名移除了一个提示通道

标准的人口提示在推理时提供人口描述，并读取预训练中已经编码的关联。论文指出的问题是这种条件化不透明：回答把研究者意图中的人口线索与预训练获得的关联混在一起。

锚定构建则让按人口特定的标签输入变得明确且可审计。在评估时，拟合出的策略使用不含国名的提示，为新调查题目中的候选回答编码分配概率。论文对这一步做到和没做到什么保持谨慎：省略国名移除了那个提示通道，但预训练关联仍留在基础模型中。拟合出的策略由预训练模型、合成题库和完整符号画像共同塑造。

正因如此，作者把贡献描述为既是一种可审查的构建，也是一个评估框架。构建把已声明的总体符号编译成评分策略；框架则把该策略保留了什么与它同意了什么区分开来。

四项评估标准针对不同的估计量

论文区分了四个容易被混为一谈的问题。留出合成标签恢复问的是优化是否内化了训练符号。跨文本锚点迁移问的是粗略符号能否迁移到未见过的调查题目。人类跨调查一致性问的是目标工具上的人类回答是否与外部锚点一致。模型—人类一致性衡量策略得分与人类调查分布之间的直接吻合程度。

这些读数针对根本不同的估计量。重复的语言模型查询减少的是围绕模型条件分布某个泛函的蒙特卡洛误差，而更大的人类样本减少的是围绕总体泛函的抽样误差。因此，在一个标准上取得高值，并不能为关于另一个标准的推断提供依据。

这一实证应用把全球偏好调查的国家得分与世界价值观调查第七波的候选题目连接起来。GPS提供锚点，是因为它的国家得分是经过先前实验验证筛选出的偏好测量的已发表总体值；论文指出，它们不是国家级别的激励性实验选择集合。WVS第七波作为目标题库，是因为它是在重叠国家上实施的独立工具，其题目是同一批属性的候选指标。

适配器在留出比较上恢复了强加标签

十六个国家适配器实例化了十三个不同的六符号画像，因为墨西哥与俄罗斯符号相同，印度与希腊相同，印度尼西亚与埃及相同。相同的符号向量在共享题库上诱导出相同的标签，因此不同的标签问题少于国家标签。每个国家适配器使用共享658对题库中的526个训练比较，另有132个留出比较，配置为β = 0.1、LoRA秩16、缩放参数32和一个epoch。

留出评估确认适配器学会了被强加的合成对比。在2,112个留出国家—配对单元上合并配对后，DPO边际改进率为0.942，配对合成标签准确率为0.819。前者记录的是被选—被拒边际相对参考模型的正面改进；后者记录的是适配模型自身的正面边际。国家层面的边际改进率范围为0.886至0.992。

论文直接说明了这一结果的边界：这些数字支持对强加合成对比的恢复，但它们并不衡量对独立观测选择的预测。一个来源差异也限制了合并后的数字。被检查的训练笔记本记录了526和132的共享seed-42划分，但没有记录俄罗斯的留出集为何不同于该划分。十五个国家共享seed-42留出集；俄罗斯不同的132对留出集与该集合共享26个提示，这限制了对合并精度和国家间比较的解释。

信任符号迁移成功，人类一致性仍未确定

在信任维度上，用中性提示评估的画像适配器迁移了粗略的GPS符号，秩相关为0.74 [0.44, 0.88]，而带国家提示的角色臂为−0.07。配对的适配器减角色差值为0.81 [0.16, 1.31]。一项符号检查强化了这一模式：七个国家具有非负的GPS信任锚点，九个具有负锚点，而在有意选取的十六国发展面板上，适配器信任得分完全区分了这两组。

在同一面板上，与人类受访者的一致性则是另一回事。十六国矩形上的人类—GPS关联为0.39 [−0.18, 0.79]，而适配器—人类关联为0.32 [−0.22, 0.77]。两个区间都使人类一致性仍未确定，也使该映射自身的标准关联仍未确定。在相同的九题重编码上，四十二国GPS—WVS交集给出的人类—GPS关联为0.35 [0.09, 0.56]；这个更大的人类面板为该映射提供了标准检查，但适配器并未在其上重新训练。

论文还警告不要把算术关系读成机制。它不从某个相关性与另一些相关性乘积之间的相似性中得出推断，因为这种比较无法识别潜在机制。国家自助法区间描述的是在给定拟合策略、GPS锚点、WVS点估计和所选题目条件下的面板内稳定性；它们不代表总体抽样、受访者不确定性、GPS测量误差或训练种子变异，也未做多重性校正。

其他偏好维度并不遵循信任模式

论文报告其余偏好维度的结果具有异质性，耐心题目说明了为什么聚合会产生误导。在两波得分上，Q43给出的适配器—GPS关联为0.01，适配器—人类关联为0.29，而Q50给出的适配器—GPS关联为0.44，适配器—人类关联为0.25。人类—GPS相关性在符号上也出现分歧：Q43涉及工作重要性的降低，而Q50涉及财务满意度。

作者保留原始编码并分别报告这两个题目，而不是在观察到相关性之后再选择极性。他们的两题均值被描述为一种可用的计算摘要，而不是经过验证的耐心测量，因此主分析避免把它们合并成单一复合指标。

候选题目映射同样不均衡。在十六国面板上，广义信任表现出较弱的人类—GPS一致性，Q57上ρ = 0.15，这凸显出每个列出的WVS题目与其拟定GPS测量之间的等价性仍有待评估。更宽的信任复合指标把实质不同的题目合并在一起，其余映射被描述为探索性桥梁，尤其是在第七波缺乏与偏好基准直接对应的题目之处。论文指出，其拟议复合指标不应被读作全部六个GPS特质的已验证测量。

提示配置同时改变锚点关联与分布拟合

方向性锚点保留与接近人类回答分布并不偏好同一配置。用中性提示评估画像适配器时，信任—GPS关联为0.74，368个国家—题目单元上的平均总变差距离为0.487。加入国家提示后，信任—GPS关联为0.67，平均TVD为0.401，不过该信任单元并未从两个已保存任务重新计算。带国家提示的基础模型取得最低TVD，为0.369，但与锚点没有正秩关联，ρ = −0.07。

论文把这些变化解读为配置敏感性，而不是把潜在先验与锚点效应分离开来，也没有声称权重决定方向、提示决定形状之间存在普遍分工。在风险承担维度上，加入国家提示会改变与锚点关联的方向，并改变与人类回答的一致性。

与基础模型的比较是描述性的。历史基础运行尽管保存的提示相同，数值仍有变化，因为它们并非检查点等价；这些运行之间并未确立相同的检查点、分词器、代码字符串和评分程序。因此论文不把它们当作单一固定的基础分布。

可审查的评分工具，前瞻性检验仍待开展

核心发现并不是适配器复现了国家文化。而是保留一个已声明锚点与类似人类受访者是两项不同的实证成就，前者的成功并不能确立后者。对这些适配器的恰当解读是将其视为可审查的评分工具，而不是合成人口：它们让研究者研究一个已声明的总体信号能否在迁移到新题目文本后存活，同时仍需要独立的人类证据来判断该信号是否对应预期构念。

证据支持一个拟合出的合成选择策略，其外部锚点关联依特质而异。对人类国家排名的可靠预测和实际的预试收益仍未确立。分析在国家层面进行，不应用于推断个人偏好，也不应把国家人口描绘成同质的；由于构建完全依赖已发表的总体得分，跨国群体对应面临标准的生态学限制，跨国一致性无法确立个体层面的测量效度。

论文自己的下一步检验是前瞻性的：预先声明一组候选调查题目，比较适配器辅助与专家题目选择，并用盲法人类预试评估两者。这样的设计将判断锚定评分是改善了调查预试，还是仅仅复现了它的输入。因此，对权衡这一构建的读者来说，与决策相关的分野在于信任维度与其他维度之间：在信任维度上，粗略符号发生迁移，并在发展面板上完全区分两个GPS符号组；在其他维度上，关联具有异质性，人类一致性仍未确定。该面板本身是有意选取的，不是四十二国GPS—WVS交集的概率样本，因此后续若把国家选择当作抽样问题，就应训练该交集中的每个国家，或预先声明的随机子集。

本文引用的文献