- 论文公开站arXiv
GPT模型中的危害洗白：性别歧视在安全训练中被转化而非减少
Harm Laundering in GPT Models: Evidence That Gender Discrimination Is Transformed Rather Than Reduced Across Safety-Trained Generations
摘要显示，研究分析GPT-2至GPT-5共15个模型、45万条性别指向生成内容，发现显性歧视内容在代际迭代中被转化而非移除，作者称之为「危害洗白」。GPT-2中针对女性的性暴力聚类在GPT-4后消失，但男性指向内容获得照护、情感表达等正向表征，女性指向内容则未获得。GPT-5中主题聚类将乳腺癌框定为男性权利议题，三个独立分类器均判其为非毒性；女性指向内容的主题多样性在GPT-4对齐边界相对男性下降36%。
意义：提示仅靠表面毒性分类器评估安全对齐可能系统性漏检表征危害，开发者需引入主题多样性与表征危害指标。