本研究提出了FairTranslate数据集，以评估机器翻译中的性别偏见，特别关注非二元性别。通过2418对英法句子，揭示了主流语言模型在性别代表性方面的偏差，强调了确保翻译系统公平与包容性的必要性。

本研究探讨了语言模型对边缘化群体的偏见，填补了特定国家和地区的研究空白。结果显示，23个语言模型对来自埃及、阿拉伯国家、德国、英国和美国的270个边缘化群体普遍存在偏见，尤其是针对非二元性别、LGBTQIA+和黑人女性的交叉偏见更为明显。

本研究探讨大型语言模型中的性别多样性偏见，尤其关注跨性别和非二元性别身份。评估结果显示，经过对齐的模型在某些微调阶段可能加剧现实中的性别伤害，建议采用社区知情的评估框架以更有效地识别和应对这些问题。