# GPT 的安全训练没消除性别偏见，只是把它洗得更隐蔽了

> 原标题：Harm Laundering in GPT Models: Gender Discrimination Transformed Rather Than

- 来源：Hacker News 首页
- 发布时间：2026-09-19T04:07:08.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/57559
- 原文：https://arxiv.org/abs/2609.20779

## 摘要

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。

## 锐评

安全训练把显式歧视洗成隐性偏见，这个结论我信。论文里最扎眼的是 Detoxify 分数一路降，REGARD 的代表性伤害反而随发布版本涨，ρ=+0.55。厂商拿来自证清白的那个 toxicity 指标，跟真实伤害是反着走的。

45 万条补全、15 个模型，样本量够，EMNLP 主会也认了。该慌的是评估体系，用 surface-form 分类器打分的团队，分降了不等于问题没了，只是换了个地方藏。
