CultureForest：理解与评估大语言模型中基于文化规范的推理

现有研究多将大语言模型的文化智能简化为知识问题，忽视了其在现实场景中有效利用知识的能力。为此，本文提出 CultureForest，一个用于评估“基于文化规范的推理”的基准。该基准将问题锚定于原子规范，支持可验证评估，涵盖 8 个领域、53 个国家/地区的 5378 个样本。实验表明，顶尖模型在开放生成设置下性能显著下降且存在区域差异。研究发现测试时推理增益有限，模型反应保守，且主要瓶颈在于文化知识的有效运用而非获取本身。