跳到正文
10月10日 · 周六

全部论文

找到 3 篇
筛选5

模型自身风险

拒答失当4幻觉与编造8偏见与歧视3

系统形态

模型与 API3

层

模型层3

系统组件

护栏与评审1音频1多模态2
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 194 篇还没打标签，不在筛选结果里。
模型自身风险：偏见与歧视层：模型层系统组件：护栏与评审系统组件：音频系统组件：多模态清除全部

另有 194 篇论文还没打上分类标签，暂不在筛选结果里。

  2. 分析与理论arXiv 2609.20779

    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
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    gpt2、gpt2-medium、gpt2-large 等 15 个
    摘要GPT 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。

    深度解读完整解读
  3. 评测与基准arXiv 2608.11816

    研究审计 9 个视觉语言模型：中文提示下国家立场改写率约为英文的三倍

    审计视觉语言模型在敏感图像上从拒答转向国家立场重构的行为

    arXiv
    2608.11816
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen2-VL-7B、Qwen2.5-VL-7B、Qwen3-VL-8B 等 9 个
    摘要论文系统审计了 VLM 多模态审查，发现审查正从显式拒答转向隐蔽重构，且中文提示与文本先验会放大重构倾向。

    论文系统研究了中外开源视觉语言模型在政治敏感图像上的审查行为，主要内容如下。

    深度解读完整解读
已经到底了