PowerBench：衡量语言模型在权力转移请求中的偏见
原文标题：PowerBench: Measuring Language Model Bias in Power-shifting Requests
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。
研究提出 PowerBench，区分自我赋权、去权与夺权三类权力转移请求，并构建开源数据集，评估 24 个中美模型在三种实验条件下的拒绝行为。结果显示模型对夺权的拒绝率最高，且存在明显的国别偏向：倾向帮助他国从美国夺权，却反对美国从他国夺权。
- 问题
- 语言模型在权力转移请求中是否存在系统性国别偏见。
- 方法
- 构建 PowerBench 数据集，区分自我赋权、去权、夺权三类请求，在三种条件下评测 24 个中美模型。
- 结果
- 模型对夺权拒绝率最高，且倾向帮他国从美国夺权、反对美国从他国夺权。
- 影响
- 做面向全球用户的 AI 产品需注意模型拒绝行为可能按国别系统性倾斜，存在被利用风险。
深读 · 结论先行AI 生成展开看要点与影响 ↓
PowerBench评估24个中美模型，发现对夺权拒绝率最高，且存在偏向他国从美国夺权的国别偏差
- •PowerBench区分自我赋权、去权、夺权三类权力转移请求，并设不转移权力的拒绝诱导对照
- •构建开源数据集，变化权力领域、语境、受影响方规模、用户先前权力地位
- •评估24个模型（美国12个、中国12个），三种实验条件：用户与受影响方国籍互易、AI智能体作为用户、8种请求语言
- •拒绝率排序：夺权>去权>自我赋权；夺权拒绝率随受影响方规模从个人到社会上升
- •存在国别偏向：倾向帮助他国从美国夺权，反对美国从他国夺权，但在美国获益且无人受损时偏向美国；用户为AI智能体时拒绝率上升
为什么重要：模型在权力请求上的系统性偏向可能大规模改变权力分布，也可能被用户利用来规避拒绝，对模型对齐与部署方都是风险信号。
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。