呢翻叭咩意？揭露語言模型表達中的偏好偏見
原文中文，约500字，阅读约需2分钟。
📝
内容提要
研究发现，大型语言模型存在社会人口统计学偏见，即使拒绝回答。通过逻辑Bradley-Terry探测器，可以预测模型中的单词对偏好。研究发现，模型在中间层中表现最有效，但仍存在国籍、政治、宗教和性别方面的偏见。微调不能完全削弱模型的偏见。
🏷️
