基于隐藏状态相对表示的LLM偏见检测
原文标题：Reference-Based Bias Detection in LLMs via Relative Representations of Hidden States
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
现有偏见审计依赖模型输出，需昂贵基准或评审模型，且可能遗漏未体现在文本中的内部偏移。论文提出基于参考的方法，通过句子与固定锚句的相似度构建相对表示，在共享比较空间测量目标群体与正负属性关联的偏移量ΔB。在三个模型家族与三个基准上，ΔB在18个设置中的15个与输出级偏见变化相关，全量微调下|r|=0.84，且审计仅需约三分钟，计算量减少3-50倍。
- 问题
- 现有偏见审计依赖输出和昂贵基准，漏掉未体现在文本中的内部偏移。
- 方法
- 用句子与固定锚句的相似度构建相对表示，跨模型变体测量群体-属性关联偏移ΔB。
- 结果
- 18个设置中15个与输出级偏见变化相关，全量微调下|r|=0.84，审计约三分钟、算力降3-50倍。
- 影响
- 无需任务评测数据即可快速审计微调带来的偏见漂移，适合上线前的模型检查点筛查。
深读 · 结论先行AI 生成展开看要点与影响 ↓
用隐藏状态相对表示审计偏见，全量微调下|r|=0.84，算力省3-50倍
- •以句子对固定锚句的相似度构建相对表示，规避微调后表示几何不可直接比较的问题
- •提出指标ΔB，度量目标群体与正负属性关联的偏移量
- •三个模型家族、三个基准共18个设置中15个与输出级偏见变化相关，全量微调下|r|=0.84（p<0.001）
- •阈值化ΔB检测偏见上升的checkpoint，ROC AUC在0.65至0.99之间
- •审计约需三分钟，计算量减少3-50倍，且无需任务特定评测数据
为什么重要：让偏见审计从依赖昂贵基准和评审模型转向内部表示，对需要频繁微调上线的团队意味着更低成本的合规检查。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。