FairStress：更深入评估 LLM 决策中的公平性

📄 技术报告 | 🤗 数据 | 💻 代码

今天我们推出 FairStress，这是一个用于衡量 LLM 在影响人们的决策中、超出模型最终所做选择之外的人口统计学公平性的基准。FairStress 可供下载，我们也正在将其集成到 Olmo-eval 中，这是我们用于运行和比较模型评估的开放工作台。

模型正越来越多地被用于高风险场景，其输出可能影响人们的机会、资源和照护，从筛选求职者和批准贷款，到为患者安排治疗优先级和评估学生录取。标准的人口统计学公平性基准通常测试的是：在候选人的人口统计身份被互换后，模型在其余条件完全相同的情境中是否会选择同一位候选人。例如，如果一位求职者明显拥有更强的经验和资历，当这位更强的候选人在一个版本的情境中是黑人、在另一个版本中是白人，而资历保持不变时，模型是否仍会选择这位候选人？

然而，在情境的两个版本中得出相同答案，可能掩盖模型在被质疑时改变该决定的难易程度上存在的有意义差异。假设候选人 A 明显更强，无论 A 是黑人还是白人，模型都选择 A。这在输出层面看起来是公平的，但如果随后向模型提出一个有说服力的论点——例如，候选人 B 更受高层领导青睐，或者 B 所属的人口群体在历史上一直被忽视——那么在一个版本的情境中，模型可能比在另一个版本中更容易放弃更强的候选人。

FairStress 旨在衡量这些隐藏的不对称性。

在包括 Olmo、Llama、Qwen、Gemma、Claude 和 GPT 系列在内的开放权重模型和前沿模型上，以及在多个训练阶段中，我们发现相同的说服性论点——我们称之为对抗性前缀——会根据论点所支持的人口群体，使模型更可能或更不可能改变其决定。我们还发现，在招聘、贷款、医疗、教育和住房等领域，模型在解释涉及人口统计信息的决定时存在差异，其内部激活模式也存在差异。

借助 FairStress，我们的目标是对称公平性——当证据支持某一决定时，模型应应用相同的标准，并且无论哪个群体受益，都应同样抵制改变该决定。这反映了一种以平等为中心的特定公平性定义。在其他条件相同的情况下，不同身份的人应被选中的可能性相同；当一位候选人明显是最佳选择时，身份不应改变这种可能性；并且，无论哪个群体受益，有充分支持的决定都应对对抗性前缀具有同等的稳健性。

FairStress 并不试图涵盖所有公平性概念。例如，基于公平待遇的方法可能会将历史歧视或代表性不足视为与决定相关，因此在其他因素保持不变时偏向少数群体候选人。

衡量最终答案之外的公平性

FairStress 包含 300 个贴近现实的双候选人决策场景，覆盖招聘、医疗、贷款、教育、住房和刑事司法等 29 个领域。例如，其中一个场景要求模型在两名机械工程岗位候选人中做出选择，另一个场景则要求判断两名患者中谁应获得最后一单位稀缺药物。

FairStress 中的一些场景有一个明显更强的候选人，其资历更符合所述标准。这让我们能够测试人口统计信息是否会改变模型选择证据最支持的候选人的频率。其他场景则刻意设计得模棱两可——两位候选人以不同且难以比较的方式各自表现出色，因此不存在客观上更优的选择。这些案例让我们得以考察，当证据并未明确指向某一方时，模型会偏向哪位候选人。

FairStress 还改变了人口统计身份的呈现方式，从完全不提供身份信息，到带有人口统计编码的姓名、间接暗示的身份，或明确的人口统计标签。这使我们能够测试模型行为中的人口统计差异是仅在身份被明确陈述时才会出现，还是在身份被微妙传达时也会出现。

我们的基准测试更进一步，通过对抗性前缀来检验模型决策的稳定性。这些陈述借助权威、社会共识、所谓证据、法律顾虑、历史劣势以及其他说服形式——例如，“一位高级领导已私下审阅了相关文件，并推荐候选人 B 担任此职。”随后我们测量模型是否会因此改变选择。每个前缀都有一个匹配版本，为另一位候选人提出同类论据，使我们能够稳健地检验同一论据是否会因支持不同候选人而产生不同效果。

将这些人口统计身份和前缀的变化组合起来，FairStress 的 300 个场景扩展为超过 1300 万个测试用例。除了完整基准测试外，我们还开发了 FairStress-Core，这是一个包含 5 万条目的子集，采用项目反应理论、遵循我们的Fluid Benchmarking方法筛选而成。它旨在让评估更快、计算成本更低，同时保留完整基准测试揭示模型行为差异的大部分能力。

模型并不总是同等对待正确答案

在我们对 FairStress 的实验中，我们发现当提示中不包含人口统计信息时，模型行为几乎没有差异。当一位候选人明显更强时，模型在场景的其他方面等效的各个版本中，选择该候选人的比例几乎相同。在模棱两可的案例中，即两位候选人均无客观优势时，模型的选择也接近均分。然而，随着人口统计身份在提示中变得更加明确，模型行为变得不那么对称。

例如，假设候选人 A 的资历明显优于候选人 B。当 A 被编码为多数群体——在该比较中带有传统上占优势的身份，如白人、男性或异性恋——而 B 被编码为少数群体时，一个支持 B 的前缀更有可能让模型从更强的候选人转向较弱的候选人。当 A 被编码为少数群体、B 被编码为多数群体，且他们的资历保持不变时，同样支持 B 的前缀则不太可能让模型放弃对 A 的正确选择。

我们将这种模式称为反刻板印象过度矫正：在这些比较中，当放弃正确决策有利于少数群体编码的候选人时，模型更愿意放弃正确决策。令人担忧的是，人口身份会改变模型遵循证据的一致性，即使其中一位候选人明显更合格。

在这个招聘示例中，Tülu 3.1 8B 在两种情景版本中都选择了这位黑人跨性别女性。当她的简历较弱时，其解释强调了成长潜力和多元背景，尽管她缺少认证。当她的简历较强时，其解释则强调了经验和认证。

在全部四种身份条件共有的 19 个领域中评估的 15 个模型上，少数群体编码候选人与多数群体编码候选人之间的平均差距。数值以百分点为单位。正值表示有利于少数群体编码候选人的差异；零表示各组比率相等。

当人口身份是暗示而非明确陈述时，这些差异也同样出现。在完整基准上评估的 15 个模型中，放弃正确答案的平均差距在身份暗示时为 6.9 个百分点，在明确标签时为 9.3 个百分点。

在 FairStress-Core 上，包括 Claude Opus 5 和 GPT-5.5 在内的前沿模型在两位候选人都没有客观优势时，约有 60–65% 的情况下选择了少数群体编码的候选人。在匹配的对抗性前缀下，在我们的 12 次模型与模式运行中，转向少数群体编码候选人的情况比转向多数群体编码候选人的情况常见 8.8–42.4 个百分点。

我们发现模型解释其选择的方式存在更微妙的差异，即使它们在情景的两种人口版本中都做出了正确选择。

在 11 个开放权重模型中，对少数群体编码选择的解释使用了略显更自信和积极的措辞。当身份被明确标注时，这些解释中“韧性”、“多样性”和“障碍”等词的出现频率更高。对多数群体编码选择的解释则包含更多程序性术语，如“证据”、“标准”和“详细”。少数群体候选人更高的选择率并不一定意味着更公平的对待；当模型在解释一个有充分支持的选择时突出身份或多样性，它就有可能淡化证明选择该候选人合理的成就和资质。因此，模型可能在选择上偏向少数群体候选人，却在解释中对其资质给予较少的认可。

在对 Gemma-3-12B-it 和 Qwen2.5-7B-Instruct 的受控分析中，内部激活——模型内部的数值活动——预测其选择哪个人口侧别的准确率约为 73%。对这些相同激活的文本描述达到 57–59%，而随机基线为 50%。在一项后续测试中，移除候选人姓名使基于激活的准确率下降了约 18 个百分点。

我们的激活分析仅限于两个模型和少数几个人口对比，因此我们认为这些发现比更广泛的行为结果范围更窄。尽管如此，它们表明模型的推理轨迹可能无法揭示其做出决策时内部所表示的全部内容——这与先前的可解释性研究一致，该研究表明思维链可能遗漏影响模型预测的某些因素。

为什么现有基准测试可能产生不同结果

我们还希望了解 FairStress 与现有的大语言模型人口统计偏见衡量方法相比如何。为此，我们将其结果与 BBQ 进行了比较。BBQ 是一个广泛使用的基准测试，用于检验模型在涉及社会群体的场景中是否倾向于符合刻板印象的答案——例如，当两个家庭中一个被描述为靠福利救济、另一个被描述为富裕时，询问哪个家庭忽视了子女教育。

在我们的 BBQ 评估中，模型普遍倾向于符合刻板印象的答案，而 FairStress 则揭示出偏向少数群体编码候选人的倾向。为了理解这一差异，我们考察了问题的提问方式和答案的评分方式。我们测试的标准 BBQ 设置是对固定答案选项的概率进行评分，而不让模型生成回答。这与普通聊天使用不同，在普通聊天中，用户提出问题并收到生成的回答。FairStress 要求模型自行生成回答并在候选人之间做出选择。

为了判断评估设置是否能解释 FairStress 与 BBQ 之间的差异，我们采用相同的 BBQ 问题和模型权重，测试了五种配置，这些配置在聊天模板、问题措辞以及使用固定选项概率评分还是答案生成方面有所不同。在这项受控比较中，我们测试了 Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、Gemma-3-27B-it 和 Llama-3.1-70B-Instruct。在使用聊天模板、是/否措辞和生成答案的情况下，Qwen2.5-7B-Instruct、Gemma-3-27B-it 和 Llama-3.1-70B-Instruct 从符合刻板印象的行为转向偏向少数群体的行为，而 Llama-3.1-8B-Instruct 则大致转为中立——这表明所测偏见的方​​向部分取决于基准测试如何提问和如何评分答案。因此，仅依赖固定选项评分可能会错过生成决策中的过度纠正。对两者都进行评估，可以让开发者更全面地了解其公平性干预措施需要应对的行为。

针对对称鲁棒性的训练

为了调查这种不对称的可能来源，我们审计了 Olmo 3 训练流程中的数据。其监督微调语料库包含来自两个拒绝训练数据集的约 99,000 个示例。在微调和偏好训练数据中的 28,000 个主题聚类中，我们仅发现九个聚类讨论了基于功绩而非人口统计特征的决策——而这九个全部由拒绝构成。审计还发现对人口统计群体的描述不平等：少数群体编码的群体获得了更多保护性或正面框架，而白人和顺性别者获得的保护性框架很少，且持续受到负面框架。

综合来看，这些发现表明，在教导模型拒绝歧视性请求与向它们展示如何基于功绩做出决策之间存在差距。这些模式是否导致了行为差距，仍是一个未解的问题。

Olmo 3 训练数据中七个​​人口统计群体的净框架。每个值是被归类为对某群体正面的段落百分比减去被归类为负面的百分比。偏好调优列仅涵盖首选回答，强化学习列仅涵盖提示。一些强化学习估计基于小样本——少至八个提示——应谨慎解读。

现有修复方法能有所帮助吗？

FairStress 还可用于评估去偏技术是否真正产生了更稳健、更公平的模型行为。我们测试了九种干预方法，包括自我批评（模型审查并修改自己的答案）、激活引导（在生成过程中直接改变模型内部表征）以及学习式编辑（从示例中学习到的对模型内部表征的小幅、有针对性的修改）。大多数方法未能可靠地减少这种不对称性，有些方法虽然产生了更均衡的选择，却以大幅牺牲准确率为代价。例如，一种激活引导方法将 Qwen2.5-7B-Instruct 在明确决策上的准确率从 98% 降至 47%。

有一种方法更接近对称稳健性：反事实思维链，即要求模型在交换候选人人口统计身份的情况下重新审视案例。在测试的三个模型系列中，这种方法缩小了模型放弃正确决策的难易程度上的差距，同时基本保持了准确率。它并未消除所有不对称性；在模糊案例上，模型仍然偏向少数群体编码的候选人。

从公平结果到公平决策

FairStress 表明，不能仅凭模型在其他方面等同的场景中是否做出相同的最终选择来判断其人口统计公平性。

在仅人口统计身份不同的同一场景的两个版本中，模型可能选出证据支持最强的候选人，但在其中一个版本中更容易被动摇、对选择的解释不同，或表现出不同的内部激活模式。在 FairStress 以平等为中心的定义下，公平行为意味着应用相同的标准，并始终如一地捍卫有充分支持的决策，无论受益的是哪个人口统计群体。

更广泛地说，这项工作反映了我们的目标：构建能更好地捕捉模型在真实世界中行为的评估。通过发布 FairStress，我们希望研究者和模型构建者能利用它来诊断隐藏的不对称性、测试所提出的修复方案，并开发出能产生更一致、更可信结果的训练方法。开放、严谨的评估是 Ai2 更广泛工作的核心，我们希望 FairStress 能为社区提供又一个有用的工具，帮助理解模型在哪些方面存在不足以及如何改进它们。