跳到正文
Hacker News 首页

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。

读原文 ↗导出 Markdown