研究：财务信息披露越少，Llama-3.1-8B-Instruct 的理财建议越受身份影响
测量财务事实变少时身份对股权配置建议的替代
- arXiv
- 2610.07798
- Published
- Layer
- Model layer
- Setting
- Models and APIs
- Evaluated models
- Llama-3.1-8B-Instruct, Qwen2.5-1.5B-Instruct
Abstract身份摆幅随披露减少上升。
同一财务只改人设，测量披露变薄时股权建议里的身份替代。
All papers
Filter1
Model risks
System type
Layer
Select any value within a category; different categories must all match. Counts include the other filters you have selected.Another 305papers have no tags yet and are not included in filtered results.
Another 305papers do not have category tags yet and are not included in filtered results.
论文指出消除人口统计信息的不变性约束可能制造新偏见
分析消除人口统计信息的不变性约束如何制造新偏见
- arXiv
- 2609.32004
- Published
- Layer
- Model layer
- Setting
- Models and APIs
- Evaluated models
- Fair Normalizing Flows, MMD regularizer, adversarial and others5
Abstract表示不变性不是公平的充分条件。
这篇分析考察的是：为了公平而从潜表示中去掉人口统计信息，是否可取、是否足够。作者认为，表示能解码出群体归属，本身并不解释不公平。任务特征可以与群体相关，患病率不同时，抹平边际分布会迫使错误率在群体间分开。
研究：推理 token 能纠正部分偏见
用 CDPG 与 BTM 追踪思考如何改变反事实公平翻转
- arXiv
- 2609.30768
- Published
- Layer
- Model layer
- Setting
- Models and APIs
- Evaluated models
- QwQ-32B, DeepSeek-R1-Distill-Qwen-32B, Qwen3-32B and others5
- RiskBias and discrimination
- ComponentReasoning chains
研究称 GPT 系列安全训练把性别歧视转化而非消除
提出 harm laundering，证明安全训练改写而非消除性别歧视
- arXiv
- 2609.20779
- Published
- Layer
- Model layer
- Setting
- Models and APIs
- Evaluated models
- gpt2, gpt2-medium, gpt2-large and others15
- RiskBias and discrimination
- ComponentGuardrails and judges
AbstractGPT 谱系上毒性下降与表征伤害上升并存。
Wyer、Black 与 Al Moubayed 用 OpenAI GPT 谱系检验：毒性分数下降是否等于歧视减少。 他们的答案是否定的，并把“显性伤害被改写成评测指标看不见的形式”称为 harm laundering。
研究揭示价值对齐 LLM 的意外危害并提出上下文对齐方法
分析按 Schwartz 价值对齐后的意外危害，并提出上下文对齐方法
- arXiv
- 2506.06404
- Published
- Layer
- Model layer
- Setting
- Models and APIs
- Evaluated models
- Llama-2 7B, Llama-3.1 8B, Gemma-2 9B and others6
- DefensesInstruction–data separation
- RiskInappropriate refusal
Abstract价值对齐会随 Schwartz 价值改变有害倾向。
作者研究按 Schwartz 价值对齐的 LLM 为何在安全评测里更易有害，并用提示做了一个不直说要安全的缓解试验。
You have reached the end