多项研究表明，大型语言模型存在人口统计偏见：职业推荐易受刻板印象影响（如墨西哥裔对应低薪岗位、女性对应秘书角色），对性别、种族、年龄、外貌及性少数群体均有偏见，预测结果更接近白人和女性标签。仅靠人口统计提示难以消除偏见。研究提出刻板印象分类器、SHAP启发式方法及指令提示等干预手段，可减少偏见并提升多样性。