本文探讨了大规模视觉语言模型（VLMs）中的性别和种族偏见，指出这些模型在处理图像时受到文化和社会属性的影响，生成内容存在显著偏见。提出了校准和去偏抽样等策略，以减轻这些偏见，提高模型的公平性和准确性。

该研究探讨了视觉-语言模型中的文化和社会经济多样性，发现低社会经济地位社群存在偏见，并提出了改进方法。研究表明，视觉语言模型在生成内容时受到底层语言模型的影响，存在显著偏见。提出的“校准”和“去偏抽样”策略有效减轻了偏见，提升了模型性能，促进了公平性。

本研究探讨了大型视觉-语言模型（LVLMs）在生成文本时的偏见问题，提出了“校准”和“去偏抽样”两种策略以减轻偏见。研究发现，输入图像的社会属性显著影响生成内容的毒性和刻板印象，并强调提高模型公平性和稳健性的重要性。