GPT 的安全训练没消除性别偏见,只是把它洗得更隐蔽了
Harm Laundering in GPT Models: Gender Discrimination Transformed Rather Than
arXiv 论文《Harm Laundering in GPT Models》分析 GPT-2 到 GPT-5 共 15 个模型的 45 万条性别指向补全,发现显式歧视内容被转化而非移除,作者称之为 harm laundering。
推荐理由:该论文分析GPT-2至GPT-5共15个模型的45万条性别指向补全,发现显式歧视内容在安全训练后被转化而非移除,并提出可迁移至其他生成模型的三阶段检测协议。