★ 3
中文大模型偏见评估：任务操作化与阴阳反讽风险
研究对多个中文大模型开展预注册多任务行为审计，发现内容分类错误率从正式语体的 10.9% 升至阴阳反讽语体的 23.5%，风险差 +12.7 个百分点。显式反讽提示可降低 9.6 个百分点错误率，建议安全评估纳入反讽语体作为测试条件。
arXiv NLP19 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究对多个中文大模型开展预注册多任务行为审计，发现内容分类错误率从正式语体的 10.9% 升至阴阳反讽语体的 23.5%，风险差 +12.7 个百分点。显式反讽提示可降低 9.6 个百分点错误率，建议安全评估纳入反讽语体作为测试条件。