热点事件持续更新
研究揭示大语言模型安全对齐引发隐形概率偏见
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月23日，arXiv发表的一项针对OpenAI与Anthropic主流大语言模型的研究显示，模型因安全对齐策略过度回避受保护属性，引发了隐性概率偏差。在双瓮博弈测试中，模型对黑人描述者的拒绝评估率最高达46%，而对白人仅为9%；该偏差会随着推理强度的增加而扩大，且常规的平均信任度审计无法识别。针对此问题，研究提出了一种基于真实结果的多轮评分机制，成功将两家厂商绝大多数配置下的种族信任差距降至0.02以下。
AI 根据报道生成 · 7 小时前更新
最新进展10月23日 12:00
研究提出基于真实结果的多轮评分机制，成功将主流大模型绝大多数配置下的种族信任差距降至0.02以下。报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv 自然语言处理arXiv 论文揭示语言模型因过度回避受保护属性引发隐性概率偏差
最新 arXiv 论文测试了 OpenAI 与 Anthropic 的主流大语言模型，发现模型因对齐策略倾向于回避受保护属性，导致其在双瓮博弈中对黑人描述者的拒绝评估率最高达 46%，而对白人仅为 9%。这种偏差会随着推理强度的增加而扩大，且常规的平均信任度审计完全无法识别。研究提出了一种基于真实结果的多轮评分机制，成功将两家厂商绝大多数配置下的种族信任差距降至 0.02 以下。
本事件热度走势
当前热度 8·可比范围峰值 10（10月23日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。