研究摘要Global

研究摘要 · Google DeepMind

面向全球的多模态 AI，不能只优化西方基准

视觉语言模型的超大规模预训练研究发现，常见基准可能逐渐饱和，而文化多样性及低资源任务仍持续获益，这促使人们重新思考 AI 进步究竟如何衡量。

将视觉语言模型预训练扩展至一千亿规模数据2025 年 2 月 11 日

阅读原始来源 ↗

概念视觉

独立编辑分析

本文是 FUURAA 基于所列公开来源撰写的编辑分析，与被引用机构相互独立。原始资料仍归其作者及发布机构署名，资料选择、综合与判断由 FUURAA 负责。除非另有明确说明，任何被引用机构均未审阅、认可或支持本文。

外部公开资料

原始研究报告了什么

该研究分析了在一千亿样本规模上进行视觉语言模型预训练的表现，并报告多个常见的西方中心基准在规模增加后逐渐趋于饱和。

文化多样性及低资源语言任务仍继续获益，而常见的数据质量过滤方式可能无意中削弱训练数据的文化多样性。

FUURAA 编辑分析

FUURAA 编辑观点

面向公共利益、以证据为基础的分析

一个服务世界的系统，不能用少数语言、文化和基准假设来定义智能。真正的全球可用性，需要覆盖本地知识、视觉语境与不同的意图表达方式。

规模不能代替代表性。数据选择、评估与用户反馈必须能够揭示哪些人获得良好服务，哪些人仍然处在系统能力之外。

核心判断

超大规模预训练在常见基准趋于饱和时，仍可能改善文化多样性与低资源任务，揭示主流评价所代表范围的局限。
规模和数据质量不足以完整说明全球可用性，因为过滤方式、语言覆盖与文化语境会影响哪些知识仍然可见。
所引研究提供的是特定研究与评价环境中的证据，可支持更广泛探索，但不能证明一种方法已经解决全球代表性问题。

基准趋于饱和，也可能是在提醒测量方式需要改变

研究分析在一千亿样本规模上进行视觉语言模型预训练，并报告多个常用的西方中心基准随着规模增加开始趋于饱和，而文化多样性与低资源语言任务仍继续获益。一种合理解释是，当表现达到较高水平后，熟悉的测试已无法揭示全部有意义的进步。这并不表示原有基准失去价值，也不能证明所有文化多样性任务都会随规模改善。FUURAA 认为，这项发现支持扩大评价范围：如果测量长期只奖励系统已经擅长的能力，基准之外的重要缺口就可能持续隐藏。

质量过滤同时包含技术假设与价值选择

研究报告常用的数据质量过滤可能无意中降低训练数据的文化多样性。许多系统需要过滤来控制重复、噪声、安全与相关性，但“高质量”的定义也可能偏向主导语言或熟悉的知识形式。删除一项数据不必然不公平，保留更多数据也不自动代表更安全或更有代表性。真正需要回答的是，哪些社区、语境和表达方式被不成比例地移除，以及现有评价能否发现由此形成的能力弱点。数据治理应记录这些权衡，而不能把质量当成完全中性的分数。

全球可用性需要本地参与，也不能浪漫化本地性

语言与文化语境会影响人们怎样描述物体、意图、幽默、关系与风险，本地社区能够发现远距离基准设计者忽略的错误。但本地反馈并不单一；没有个人或机构能够代表整个文化，本地也可能存在有害刻板印象。可信流程需要多元参与、隐私保护、处理分歧的方法，以及改变是否改善结果的证据。FUURAA 的分析是，全球 AI 应在共同技术基础上建立多元评价与纠错，而不是在单一全球标准和彼此隔离的本地系统之间二选一。

代表性应以系统表现证明，而不是成为品牌用语

声称模型面向全球或具有普惠性，应由跨语言、视觉语境和真实用户任务的测试支持，并像报告优势一样认真报告失败。代表性也与安全相连；系统若误解本地语境，即使表面意图良好也可能给出不适当建议。增加评价无法消除所有文化分歧，有些价值问题也不能单靠模型准确度解决。机构应说明能力范围、提供纠错渠道，并区分技术错误与合理解释差异。全球覆盖的可信度来自可问责表现，而不是宣传材料中列出多少市场。

不同观点与不确定性

现有证据尚不能确定什么

共同基准支持可比较性和科学连续性，扩大评价应作为补充，而不是不断放弃已经建立的测量方式。
广泛文化覆盖可能与隐私、数据权利和安全发生冲突，因此提高代表性不能成为无差别收集数据的理由。

公共利益与各方影响

这对不同参与者意味着什么

公众

用户应能报告特定语言或文化环境中的错误，并了解系统在哪些地方尚未得到充分评价。

组织与行业

开发者应审查过滤影响、扩大测试集并引入多元本地专业，同时保护隐私与数据权利。

政策

公共采购和评价可以要求相关语言与语境表现证据，但不应指定单一机构代表某种文化。

研究

研究应覆盖代表性不足的任务、过滤权衡，并检验报告收益能否在独立数据和真实使用中持续。

下一步观察什么

全球模型评价是否超越从西方中心任务直接翻译而来的测试。
数据质量方法是否报告其对低资源语言和文化多样性的影响。
社区反馈能否在不提取敏感数据或抹平分歧的前提下带来可测量改善。

结论

这项研究说明，多模态 AI 的前沿不能只通过规模与熟悉基准理解。当传统测试趋于饱和、代表性不足的任务仍在变化时，评价体系本身就成为研究问题。FUURAA 认为，一个可信的全球模型必须通过更广泛证据、谨慎数据治理与本地纠错渠道赢得这一名称。这并不要求拒绝共同标准，也不假定所有本地观点完全一致；它要求承认，为多元世界建设智能是一项持续的科学与制度责任，而不是一次即可完成的营销属性。

独立性与相关性披露

本文是 FUURAA 对所引 Google DeepMind 研究的独立编辑分析。论文作者与 Google DeepMind 未审阅或认可本文，对研究结果的延伸均保留必要限定。

前瞻观察

全球 AI 的设计重点

扩大评估范围

测试主流基准未覆盖的语言、文化与视觉语境。

负责任整理数据

评估质量过滤是否抹去了代表性不足的社区或知识。

建立本地反馈

让社区能够指出错误并提升相关性，同时保护隐私。