spectralbranding/r15-ai-search-metamerism
收藏资源简介：
--- license: mit language: - en - zh - ru - uk - mn - el - lv - vi - sr - sv - sw - lt - pl - kk - ka - az task_categories: - text-generation size_categories: - 10K<n<100K tags: - brand-perception - llm-evaluation - cross-cultural - spectral-brand-theory - dimensional-collapse - shrunken-variance - national-ai-models - geopolitical-framing - native-language-prompting - discourse-layer-activation - PRISM-B configs: - config_name: default data_files: - split: train path: train.csv --- # R15: AI Search Metamerism — Cross-Cultural Brand Perception Dataset **Citation:** Zharnikov, D. (2026v) | **DOI:** [10.5281/zenodo.19422427](https://doi.org/10.5281/zenodo.19422427) | **Version:** v2.1 (final, 2026-04-11) --- ## Overview Comprehensive dataset from a large-scale experiment testing whether Large Language Models systematically collapse multi-dimensional brand perception into Economic and Experiential dimensions through "spectral metamerism." **21,350 total API calls** across **24 LLMs** from **7 training traditions** in **10 experimental runs (Runs 2–11)**, with **999 native-language prompts** across **15 distinct native languages**. Total cost: **~$6.10** (paid cloud APIs only; 14 of 24 models were free or local). --- ## Experiment Summary ### Models Tested (24 total) | Category | Models | Count | |----------|--------|-------| | **Paid Cloud** | Claude Sonnet 4.6, GPT-4o-mini, Gemini 2.5 Flash, DeepSeek V3, YandexGPT 5 Pro, GPT-OSS-Swallow (Yandex AI Studio), GigaChat 2 Max (Sber API), Sarvam, DashScope Qwen Plus, Fireworks GLM | 10 | | **Free Cloud** | Grok (xAI), Groq Llama 3.3, Kimi K2 (Groq), ALLaM-2 (Groq), Cerebras Qwen3-235B, SambaNova DeepSeek V3.2 | 6 | | **Local (Ollama)** | Gemma 4 27B, Qwen3 30B, Qwen3.5 27B, EXAONE 4.0 32B, Jais-adapted 70B, Llama-3.1-Swallow 8B, GigaChat 3.1 Lightning 10B, YandexGPT 5 Lite 8B | 8 | All local models run on Apple Mac mini M4 Pro (64 GB unified memory) via Ollama with GGUF weights from HuggingFace. ### Hypothesis Test Results (12 tested + 1 future direction) | Hypothesis | Result | Statistic | |-----------|--------|-----------| | **H1: Dimensional Collapse** | ✅ SUPPORTED | DCI = 35.6 vs 25.0 baseline, *p* < 0.0001 | | **H2: Cross-Model Convergence** | ✅ SUPPORTED | Cosine similarity = 0.977 across all 24 architectures | | **H3: Probe Variance** | exploratory | -- | | **H4: Differentiation Gap** | exploratory | -- | | **H5: Cultural Diagonal** | ❌ NOT SUPPORTED (reversed) | National models collapse MORE on own-culture brands | | **H6: Western vs Non-Western** | ✅ SUPPORTED | Western DCI 0.339 vs non-Western 0.360, *p* = 0.0013, *d* = 3.449 | | **H7: Geopolitical Valence** | exploratory | -- | | **H8: Thin-Data Floor** | partial | Mongolia highest DCI | | **H9: Capacity-Dependent Collapse** | partial | Smaller models show higher DCI in some pairs | | **H10: Native Language Effect** | ❌ NULL on home-market pairs | 58/121 positive (48%), mean = +.001, *p* = .716 (two-sided). But Run 11 shows native-language prompting reduces DCI 3.31–9.50 for every non-home-market city in the Roshen multi-city extension (largest single effect: Astana in Kazakh, −9.50, *p* = .002). | | **H11: Same-Category Cross-Border** | tested | Banking pair (Tinkoff/PrivatBank), Run 6 — geopolitical signal at category-controlled border | | **H12: Geopolitical Framing** | ✅ SUPPORTED, REINTERPRETED | Same brand in different cities: *δ* = 0.040, *p* < 0.0001. Run 11 multi-city Roshen extension supports a discourse-layer reinterpretation: the mechanism is per-(city × language × brand) discourse density rather than country-of-origin animosity. | | **H13: Temporal Training Stability** | future work | Proposed in Section 6e — successive model versions, NOT tested in present study | --- ## Instrument: PRISM-B **Perception Response Instrument for Structured Measurement — Brand variant** Open-source, multi-level (L0-L5) cascade scaffold for measuring multi-dimensional LLM perception of brands. Three prompt types: - `weighted_recommendation` — primary DCI measure (100-point allocation across 8 SBT dimensions) - `dimensional_differentiation` — 0-10 score per dimension for a brand pair - `dimension_probe` — per-brand, per-dimension absolute scoring Native-language variants exist for `weighted_recommendation` in 15 languages (see Native Languages section below). --- ## Dataset Files ### Raw Session Logs (data/) ``` data/run2_global.jsonl Run 2: 10 global brand pairs, 6 LLMs (3,240 calls) data/run2_qwen_plus.jsonl Run 2 supplementary: Qwen Plus backfill (540 calls) data/run3_local.jsonl Run 3: 5 local brand pairs (1,620 calls) data/run3_qwen_plus.jsonl Run 3 supplementary: Qwen Plus backfill (270 calls) data/run4_resolution.jsonl Run 4: Brand Function resolution test (353 calls) data/run5_crosscultural.jsonl Run 5: 7 cross-cultural pairs, 22 active models (6,415 calls) data/run5_fireworks_glm.jsonl Run 5 supplementary: Fireworks GLM (492 calls) data/run5_gptoss_swallow.jsonl Run 5 supplementary: GPT-OSS Swallow (435 calls) data/run6_banking_clean.jsonl Run 6: Banking pair (Tinkoff vs PrivatBank), 24 models, H6 test (1,018 calls) data/run7_framing.jsonl Run 7: Geopolitical framing experiment (H12 test) (523 calls) data/run7d_swedish.jsonl Run 7 sub-run: Swedish Stockholm condition (568 calls) data/run8_native_expansion.jsonl Run 8: Native language expansion, 5 H10 languages (4,895 calls) data/run9_temp_0.0.jsonl Run 9: Temperature sensitivity T=0.0 (180 calls) data/run9_temp_0.3.jsonl Run 9: Temperature sensitivity T=0.3 (180 calls) data/run9_temp_1.0.jsonl Run 9: Temperature sensitivity T=1.0 (180 calls) data/run10_corrective.jsonl Run 10: Corrective comparators supplementary (126 calls) data/run11_roshen_multicity.jsonl Run 11: Roshen 7-city extension (315 calls) ``` ### Aggregated Results (root level) ``` results_v2_global.json Aggregated Run 2 (per-model weights, DCI, cosine, H1 t-test) results_v3_local.json Aggregated Run 3 (local brand pairs) results_v4_resolution.json Aggregated Run 4 (Brand Function resolution) ``` ### Detailed Analysis Outputs (analysis/) ``` analysis/run5_results.json Run 5 detailed (10.8 MB): DCI per model per culture, H5-H10 tests analysis/run5_summary.md Run 5 human-readable summary tables analysis/run5_analysis.py Run 5 analysis script (full H5-H10 implementation) analysis/run5_analysis_results.json Run 5 post-processed statistics (ICC, effect sizes) analysis/run5_dci_table.csv DCI matrix (models × cultures) analysis/run5_diagonal_advantage.csv H5 primary measure analysis/run6_banking_results.json Run 6 aggregated (banking pair) analysis/run7_framing_results.json Run 7 detailed (H12 framing test) analysis/run7_framing_summary.md Run 7 human-readable summary analysis/run8_native_expansion_results.json Run 8 per-language DCI + H10 verdict analysis/run9_temperature_results.json Run 9 temperature sensitivity (DCI spread = 0.012) analysis/run10_corrective_results.json Run 10 corrective comparators (per-model DCI) analysis/run10_corrective_summary.md Run 10 human-readable summary analysis/run11_roshen_multicity_results.json Run 11 multi-city Roshen (per-cell DCI, 7 cities × langs × models) analysis/run11_roshen_multicity_summary.md Run 11 human-readable comparison tables ``` ### Robustness Tests (analysis/) ``` analysis/power_analysis_results.json Post-hoc power for H1, H2, H5, H6 analysis/prompt_sensitivity_results.json ICC(3,1) across 3 repetitions per condition analysis/exclude_patagonia_results.json Replication with Patagonia/Columbia pair excluded ``` --- ## Experimental Runs | Run | Brands | Models | Calls | Purpose | |-----|--------|--------|------:|---------| | **Run 2** | 10 global | 7 | 3,780 | Confirmatory H1-H4 + Qwen Plus backfill | | **Run 3** | 5 local | 7 | 1,890 | Conditional metamerism + Qwen Plus backfill | | **Run 4** | 5 local + spec | varies | 353 | Brand Function resolution (v2.1 expansion) | | **Run 5** | 7 cross-cultural | 24 | 7,342 | H5-H10 exploratory + model supplements | | **Run 6** | 1 banking (Tinkoff/PrivatBank) | 24 | 1,018 | H6 bidirectional asymmetry, same-category control | | **Run 7** | 3 cities (framing) | 24 | 1,091 | H12 geopolitical framing (uk/ru/zh/sv) | | **Run 8** | 5 local | 18 | 4,895 | H10 native language expansion (el/lv/sw/vi/sr) | | **Run 9** | 10 global | 6 | 540 | Temperature robustness (T=0.0/0.3/1.0) | | **Run 10** | 3 focal × 2 comparator | 7 | 126 | Corrective comparators (VkusVill, Calbee, Roshen) | | **Run 11** | Roshen × 7 cities | 7 | 315 | Multi-city framing extension (kk/ru/lt/pl/ka/az + en) | | | | **Total:** | **21,350** | | --- ## Native Languages (999 calls across 15 languages) | Language | ISO | Calls | Used in | |----------|-----|------:|---------| | Russian | ru | 323 | Runs 5/7/8/11 (Moscow framing, native expansion, Astana) | | Ukrainian | uk | 125 | Run 7 (Kyiv framing) | | Chinese | zh | 108 | Run 7 (Shanghai framing) | | Vietnamese | vi | 53 | Run 8 (native expansion) | | Swahili | sw | 53 | Run 8 (native expansion) | | Serbian | sr | 53 | Run 8 (native expansion) | | Latvian | lv | 52 | Run 8 (native expansion) | | Greek | el | 52 | Run 8 (native expansion) | | Swedish | sv | 51 | Run 7d (Stockholm framing) | | Mongolian | mn | 24 | Run 5 supplementary (mongolia_beer re-test) | | Lithuanian | lt | 21 | Run 11 (Vilnius framing) | | Polish | pl | 21 | Run 11 (Warsaw framing) | | Kazakh | kk | 21 | Run 11 (Astana framing, state language) | | Georgian | ka | 21 | Run 11 (Tbilisi framing) | | Azerbaijani | az | 21 | Run 11 (Baku framing) | | **Total** | | **999** | | --- ## Citation ```bibtex @article{zharnikov2026v, title={Spectral Metamerism in AI-Mediated Brand Perception: How Large Language Models Collapse Multi-Dimensional Brand Differentiation in Consumer Search}, author={Zharnikov, Dmitry}, year={2026}, doi={10.5281/zenodo.19422427}, version={v2.1} } ``` **DOI:** [10.5281/zenodo.19422427](https://doi.org/10.5281/zenodo.19422427) --- ## Source Code Full experiment infrastructure (PRISM-B instrument, validation scripts, schemas, checksums): - **GitHub:** [github.com/spectralbranding/sbt-papers/tree/main/r15-ai-search-metamerism](https://github.com/spectralbranding/sbt-papers/tree/main/r15-ai-search-metamerism) - **Run it on your own brands:** roughly $0.25 (5–6 models, 3 runs) to $0.80 (all 24 models, 3 runs) for a single brand pair audit at current paid-model rates. --- ## Tags `brand-perception` `llm-evaluation` `cross-cultural` `spectral-brand-theory` `dimensional-collapse` `shrunken-variance` `national-ai-models` `geopolitical-framing` `native-language-prompting` `discourse-layer-activation` `PRISM-B`
license: MIT协议 language: - 英语 - 中文 - 俄语 - 乌克兰语 - 蒙古语 - 希腊语 - 拉脱维亚语 - 越南语 - 塞尔维亚语 - 瑞典语 - 斯瓦希里语 - 立陶宛语 - 波兰语 - 哈萨克语 - 格鲁吉亚语 - 阿塞拜疆语 task_categories: - 文本生成 size_categories: - 10K<n<100K tags: - 品牌感知 - 大语言模型评估 - 跨文化 - 光谱品牌理论 - 维度坍缩 - 收缩方差 - 国家AI模型 - 地缘政治框架 - 母语提示 - 话语层激活 - PRISM-B # R15: AI搜索元色现象 — 跨文化品牌感知数据集 **引用**：Zharnikov, D. (2026v) | **DOI**: [10.5281/zenodo.19422427](https://doi.org/10.5281/zenodo.19422427) | **版本**: v2.1（最终版，2026-04-11） ## 概述 本数据集源自一项大规模实验，旨在检验大语言模型（Large Language Model, LLM）是否会通过“光谱元色现象”，将多维度品牌感知系统性坍缩为经济与体验两个维度。 本次实验共发起**21350次API调用**，覆盖来自**7类训练范式**的**24个大语言模型**，开展了**10轮实验（第2至11轮）**，并使用覆盖**15种母语**的**999条母语提示词**。实验总成本约**6.10美元**（仅包含付费云API费用；24个模型中有14个为免费或本地部署模型）。 ## 实验总结 ### 测试模型（共24个） | 类别 | 模型 | 数量 | |----------|--------|-------| | **付费云模型** | Claude Sonnet 4.6、GPT-4o-mini、Gemini 2.5 Flash、DeepSeek V3、YandexGPT 5 Pro、GPT-OSS-Swallow（Yandex AI Studio）、GigaChat 2 Max（Sber API）、Sarvam、DashScope Qwen Plus、Fireworks GLM | 10 | | **免费云模型** | Grok（xAI）、Groq Llama 3.3、Kimi K2（Groq）、ALLaM-2（Groq）、Cerebras Qwen3-235B、SambaNova DeepSeek V3.2 | 6 | | **本地模型（Ollama）** | Gemma 4 27B、Qwen3 30B、Qwen3.5 27B、EXAONE 4.0 32B、Jais-adapted 70B、Llama-3.1-Swallow 8B、GigaChat 3.1 Lightning 10B、YandexGPT 5 Lite 8B | 8 | 所有本地模型均通过Ollama在Apple Mac mini M4 Pro（64GB统一内存）上运行，使用来自HuggingFace的GGUF权重文件。 ### 假设检验结果（12项已验证 + 1项未来研究方向） | 假设 | 结果 | 统计量 | |-----------|--------|-----------| | **H1：维度坍缩** | ✅ 支持 | 维度坍缩指数（Dimensional Collapse Index, DCI）= 35.6 vs 基线25.0，*p* < 0.0001 | | **H2：跨模型收敛** | ✅ 支持 | 所有24种架构的余弦相似度=0.977 | | **H3：探测方差** | 探索性研究 | -- | | **H4：差异缺口** | 探索性研究 | -- | | **H5：文化对角线** | ❌ 不支持（结果反转） | 国家模型对本土品牌的坍缩程度更高 | | **H6：西方vs非西方** | ✅ 支持 | 西方模型DCI=0.339，非西方模型DCI=0.360，*p*=0.0013，*d*=3.449 | | **H7：地缘政治效价** | 探索性研究 | -- | | **H8：薄数据下限** | 部分支持 | 蒙古地区DCI最高 | | **H9：依赖容量的坍缩** | 部分支持 | 较小规模模型在部分品牌对中表现出更高的DCI | | **H10：母语效应** | ❌ 本土市场配对无显著效果 | 58/121为正向结果（占比48%），均值=+0.001，双侧检验*p*=0.716。但第11轮实验显示，母语提示可使Roshen多城市扩展实验中所有非本土市场城市的DCI降低3.31~9.50（最大单效应：哈萨克斯坦阿斯塔纳，−9.50，*p*=0.002）。 | | **H11：同类跨境** | 已验证 | 银行业配对（Tinkoff/PrivatBank），第6轮实验——类别控制下的跨境地缘政治信号 | | **H12：地缘政治框架** | ✅ 支持，需重新阐释 | 同一品牌在不同城市：*δ*=0.040，*p*<0.0001。第11轮Roshen多城市扩展实验支持话语层重新阐释：其机制为**（城市×语言×品牌）维度的话语密度**，而非原产国敌意。 | | **H13：时序训练稳定性** | 未来工作 | 第6e节提出，针对连续模型版本，本研究未进行测试 | ## 实验工具：PRISM-B **结构化测量感知响应工具——品牌变体版（Perception Response Instrument for Structured Measurement — Brand variant）** 开源的多级（L0-L5）级联框架，用于测量大语言模型对品牌的多维度感知。包含三类提示类型： - `weighted_recommendation`：核心DCI测量指标（在8个光谱品牌理论维度上分配100分） - `dimensional_differentiation`：针对品牌对的每个维度给出0-10分 - `dimension_probe`：针对单个品牌的每个维度进行绝对评分 15种语言均有对应的`weighted_recommendation`母语变体（详见下文“母语”章节）。 ## 数据集文件 ### 原始会话日志（data/目录） data/run2_global.jsonl 第2轮实验：10个全球品牌对，6个大语言模型（3240次调用） data/run2_qwen_plus.jsonl 第2轮实验补充：Qwen Plus补测（540次调用） data/run3_local.jsonl 第3轮实验：5个本土品牌对（1620次调用） data/run3_qwen_plus.jsonl 第3轮实验补充：Qwen Plus补测（270次调用） data/run4_resolution.jsonl 第4轮实验：品牌功能分辨率测试（353次调用） data/run5_crosscultural.jsonl 第5轮实验：7个跨文化品牌对，24个活跃模型（6415次调用） data/run5_fireworks_glm.jsonl 第5轮实验补充：Fireworks GLM（492次调用） data/run5_gptoss_swallow.jsonl 第5轮实验补充：GPT-OSS Swallow（435次调用） data/run6_banking_clean.jsonl 第6轮实验：银行业配对（Tinkoff vs PrivatBank），24个模型，H6测试（1018次调用） data/run7_framing.jsonl 第7轮实验：地缘政治框架实验（H12测试）（523次调用） data/run7d_swedish.jsonl 第7轮实验子运行：瑞典斯德哥尔摩场景（568次调用） data/run8_native_expansion.jsonl 第8轮实验：母语扩展，5种H10相关语言（4895次调用） data/run9_temp_0.0.jsonl 第9轮实验：温度敏感性测试 T=0.0（180次调用） data/run9_temp_0.3.jsonl 第9轮实验：温度敏感性测试 T=0.3（180次调用） data/run9_temp_1.0.jsonl 第9轮实验：温度敏感性测试 T=1.0（180次调用） data/run10_corrective.jsonl 第10轮实验：校正比较器补充（126次调用） data/run11_roshen_multicity.jsonl 第11轮实验：Roshen 7城市扩展实验（315次调用） ### 聚合结果（根目录） results_v2_global.json 第2轮实验聚合结果（每模型权重、DCI、余弦相似度、H1 t检验） results_v3_local.json 第3轮实验聚合结果（本土品牌对） results_v4_resolution.json 第4轮实验聚合结果（品牌功能分辨率） ### 详细分析输出（analysis/目录） analysis/run5_results.json 第5轮实验详细结果（10.8 MB）：每模型每文化DCI、H5-H10检验 analysis/run5_summary.md 第5轮实验可读摘要表格 analysis/run5_analysis.py 第5轮实验分析脚本（完整实现H5-H10检验） analysis/run5_analysis_results.json 第5轮实验后处理统计量（组内相关系数、效应量） analysis/run5_dci_table.csv DCI矩阵（模型×文化） analysis/run5_diagonal_advantage.csv H5核心测量指标 analysis/run6_banking_results.json 第6轮实验聚合结果（银行业配对） analysis/run7_framing_results.json 第7轮实验详细结果（H12框架测试） analysis/run7_framing_summary.md 第7轮实验可读摘要 analysis/run8_native_expansion_results.json 第8轮实验每语言DCI + H10结论 analysis/run9_temperature_results.json 第9轮实验温度敏感性结果（DCI离散度=0.012） analysis/run10_corrective_results.json 第10轮实验校正比较器结果（每模型DCI） analysis/run10_corrective_summary.md 第10轮实验可读摘要 analysis/run11_roshen_multicity_results.json 第11轮实验Roshen多城市结果（每单元格DCI，7个城市×语言×模型） analysis/run11_roshen_multicity_summary.md 第11轮实验可读对比表格 ### 稳健性检验（analysis/目录） analysis/power_analysis_results.json H1、H2、H5、H6的事后效力分析 analysis/prompt_sensitivity_results.json 每组条件3次重复的组内相关系数ICC(3,1) analysis/exclude_patagonia_results.json 移除Patagonia/Columbia配对后的复制实验结果 ## 实验运行轮次 | 轮次 | 品牌 | 模型 | 调用次数 | 实验目的 | |-----|--------|--------|------:|---------| | **第2轮** | 10个全球品牌 | 7 | 3780 | 验证H1-H4 + Qwen Plus补测 | | **第3轮** | 5个本土品牌 |7 |1890 | 条件元色现象测试 + Qwen Plus补测 | | **第4轮** |5个本土品牌+规范样本 | 不定 |353 | 品牌功能分辨率（v2.1扩展） | | **第5轮** |7个跨文化品牌 |24 |7342 | 探索性检验H5-H10 + 模型补充 | | **第6轮** |1组银行业配对（Tinkoff/PrivatBank） |24 |1018 | H6双向不对称性检验，同类控制组 | | **第7轮** |3个城市（框架测试） |24 |1091 | H12地缘政治框架测试（英/俄/中/瑞典语） | | **第8轮** |5个本土品牌 |18 |4895 | H10母语扩展（希腊语/拉脱维亚语/瑞典语/越南语/塞尔维亚语） | | **第9轮** |10个全球品牌 |6 |540 | 温度鲁棒性测试（T=0.0/0.3/1.0） | | **第10轮** |3个焦点品牌×2个比较品牌 |7 |126 | 校正比较器测试（VkusVill、Calbee、Roshen） | | **第11轮** |Roshen ×7个城市 |7 |315 | 多城市框架扩展（哈萨克语/俄语/立陶宛语/波兰语/格鲁吉亚语/阿塞拜疆语+英语） | | | | **总计:** | **21350** | | ## 母语（15种语言，共999次调用） | 语言 | ISO代码 | 调用次数 | 应用场景 | |----------|-----|------:|---------| | 俄语 | ru | 323 | 第5、7、8、11轮（莫斯科框架、母语扩展、阿斯塔纳场景） | | 乌克兰语 | uk |125 | 第7轮（基辅框架） | | 中文 | zh |108 | 第7轮（上海框架） | | 越南语 | vi |53 | 第8轮（母语扩展） | | 斯瓦希里语 | sw |53 | 第8轮（母语扩展） | | 塞尔维亚语 | sr |53 | 第8轮（母语扩展） | | 拉脱维亚语 | lv |52 | 第8轮（母语扩展） | | 希腊语 | el |52 | 第8轮（母语扩展） | | 瑞典语 | sv |51 | 第7轮子运行（斯德哥尔摩框架） | | 蒙古语 | mn |24 | 第5轮补充（蒙古啤酒重测） | | 立陶宛语 | lt |21 | 第11轮（维尔纽斯框架） | | 波兰语 | pl |21 | 第11轮（华沙框架） | | 哈萨克语 | kk |21 | 第11轮（阿斯塔纳框架，官方语言） | | 格鲁吉亚语 | ka |21 | 第11轮（第比利斯框架） | | 阿塞拜疆语 | az |21 | 第11轮（巴库框架） | | **总计** | | **999** | | ## 引用 bibtex @article{zharnikov2026v, title={AI介导的品牌感知中的光谱元色现象：大语言模型如何在消费者搜索中坍缩多维度品牌差异}, author={Zharnikov, Dmitry}, year={2026}, doi={10.5281/zenodo.19422427}, version={v2.1} } **DOI**: [10.5281/zenodo.19422427](https://doi.org/10.5281/zenodo.19422427) ## 源代码 完整的实验基础设施（PRISM-B工具、验证脚本、schema、校验和）： - **GitHub**: [github.com/spectralbranding/sbt-papers/tree/main/r15-ai-search-metamerism](https://github.com/spectralbranding/sbt-papers/tree/main/r15-ai-search-metamerism) - **自定义品牌审计成本**：单次品牌对审计约0.25美元（5-6个模型，3轮）至0.80美元（全部24个模型，3轮），基于当前付费模型费率。 ## 标签 `品牌感知` `大语言模型评估` `跨文化` `光谱品牌理论` `维度坍缩` `收缩方差` `国家AI模型` `地缘政治框架` `母语提示` `话语层激活` `PRISM-B`
