NRITYAM：当语言模型遇见舞蹈艺术与文化遗产

背景

大型语言模型（LLMs）已成为塑造现代工作流程的核心工具，其在全球范围内的应用日益广泛。然而，这些模型的有效性往往受制于一个关键瓶颈：它们缺乏对当地社会文化语境的细腻理解。现有的评估基准多集中在通用知识、逻辑推理或主流语言的能力上，而对于特定文化领域——尤其是像舞蹈这样承载深厚历史与地域特色的表演艺术——缺乏系统性的评估手段。

这种“文化盲区”导致 AI 在处理非西方、非主流或具有高度地域性的文化内容时，容易产生误解、刻板印象或事实错误。为了填补这一空白，研究人员提出了 NRITYAM，这是一个旨在全面评估语言模型在全球舞蹈传统背景下文化理解能力的综合性基准测试。

核心内容

NRITYAM 是目前专门用于评估舞蹈领域文化知识的最大规模数据集。该基准测试的核心在于其构建方法的质量与广度，具体包含以下关键要素：

1. 数据规模与多语言覆盖： NRITYAM 包含 9,260 对精心策划的问答（Q&A）数据对，涵盖了 12 种不同的语言。这使得它成为目前针对舞蹈文化知识评估中体量最大、语言多样性最丰富的数据集。

2. 原生专家主导的构建流程： 与许多由机器生成或仅依赖网络爬取数据构建的数据集不同，NRITYAM 是从零开始构建的。其核心开发过程依赖于与本土舞蹈艺术家和母语者的紧密合作。这些本地专家不仅撰写了问题，还验证了答案，确保每个问题都与其所在地区的文化背景高度相关且准确无误。这种“由内而外”的数据构建方式，最大程度地保证了文化语境的真实性和细微差别的保留。

3. 广泛的模型评估范围： 研究团队利用 NRITYAM 对多种类型的 AI 模型进行了全面评估，包括：

   • 大型语言模型（Large Language Models, LLMs）
   • 小型语言模型（Small Language Models, SLMs）
   • 多模态大型语言模型（Multimodal Large Language Models）
   • 小型多模态语言模型（Small Multimodal Language Models）

4. 多语言与多文化基准定位： 作为一个多语言和多文化的基准测试，NRITYAM 设定了新标准，用于评估 AI 系统理解和推理传统表演艺术的能力。它不仅测试模型是否“知道”某个舞蹈动作或名称，更测试模型是否理解其背后的文化意义、历史渊源和社会语境。

详细的样本数据可在相关学术平台获取，供研究人员进一步分析。

关键要点

• 填补文化评估空白：NRITYAM 解决了当前 AI 评估中缺乏对非主流、地域性强的表演艺术（如舞蹈）进行系统性文化理解评估的问题。
• 数据质量源于本土专家：数据集由 12 种语言的本土舞蹈艺术家和母语者直接撰写和验证，确保了文化内容的准确性和语境相关性，避免了机器生成数据常见的文化失真。
• 规模领先：拥有 9,260 对问答数据，是目前该领域最大规模的专用数据集。
• 全面覆盖模型类型：评估范围不仅限于主流的大语言模型，还涵盖了小型模型及多模态模型，为不同算力条件下的 AI 文化理解能力提供了对比基准。
• 推动 AI 文化包容性：通过量化 AI 在舞蹈艺术上的表现，NRITYAM 有助于揭示当前模型在跨文化理解上的偏差，推动 AI 向更具文化包容性和全球适应性的方向发展。

意义与影响

NRITYAM 的发布标志着 AI 评估体系从“通用能力”向“垂直领域文化深度”的重要转变。

首先，它为衡量 AI 系统的文化素养提供了可量化的标准。在日益全球化的数字环境中，AI 助手、教育工具和创意平台需要处理来自世界各地的文化内容。NRITYAM 帮助开发者识别模型在特定文化语境下的弱点，从而进行更有针对性的优化。

其次，它强调了人机协作在数据构建中的价值。通过与本土艺术家和语言专家的合作，NRITYAM 证明了高质量的文化数据不能仅靠算法挖掘，而需要人类专家的深度介入。这种模式为其他文化遗产领域（如音乐、戏曲、手工艺）的数据构建提供了可复制的范式。

最后，NRITYAM 促进了AI 技术的公平性与多样性。通过纳入 12 种语言和非西方主流的舞蹈传统，该基准测试挑战了以英语和西方文化为中心的 AI 开发模式，推动 AI 技术更好地服务于全球多元文化社区，减少算法偏见，提升全球用户的使用体验。