本文提出了一种新颖的推理方法——选项流（FoO），旨在解决大型语言模型的内在偏差问题。FoO能够系统性地探讨多种推理可能性，理论验证显示其在机器学习任务中提升了38.2%-69.2%，具有广泛的适用性和成本效益。

本文研究了模型性能与内在偏差的关系，提出通过外部微调去除偏差的方法。实验证明，内在偏差指标能更有效地评估去偏差效果，并指出现有评估措施的局限性。研究还探讨了性别偏见的缓解策略及其对下游任务的影响，提出因果检测微调方法可在不降低性能的情况下缓解偏见。