本研究提出了道德基础LLM数据集（MFD-LLM），旨在探讨大型语言模型的隐性偏见和道德倾向。评估结果显示，顶尖模型在价值偏好上存在显著同质性，但缺乏一致性，为未来的优化提供了启示。

本研究探讨了文本到图像扩散模型中的隐性偏见问题，提出了隐性偏见注入攻击框架（IBI-Attacks），该框架能够在不明显改变图像的情况下引入偏见，从而影响公众信息的传递。

本研究分析了大型语言模型中的隐性偏见，分类了检测方法和评估指标，并总结了减缓措施及未来挑战，为研究者提供指导，激励创新探索。

本研究探讨大型语言模型在模拟人类行为时的隐性偏见，并提出揭示社会人口类别决策差异的技术。尽管模型在减少显性偏见方面有所进展，但隐性偏见仍然显著，需要新的应对策略。

本文提出了一种新机制，通过三种策略评估大型语言模型中的显性和隐性性别偏见。研究表明，模型规模增大并不一定提高公平性，所有测试模型均存在性别偏见。