一篇新发表在 arXiv 上的研究论文质疑了用于识别和消除大型语言模型中社会偏见的方法的有效性。该研究审计了 Qwen 2.5 7B Instruct 和 Llama 3.1 8B-Instruct,发现用于选择特定注意力头以进行偏见纠正的统计测量可能受到响应长度和提示身份等因素的混淆,而不是实际的偏见。研究表明,当前的消融技术可能无法有效减少不公平性,甚至会损害拒绝行为。 AI
影响 挑战了当前缓解大语言模型偏见的方法,可能影响未来的安全研究和开发。
排序理由 研究论文发表在 arXiv 上,详细介绍了方法和发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →