arXiv · cs.CL· Koshiro Saito·· 7 天前AI 评分31
超越模型权重：扩散语言模型中依赖采样配置的公平性研究
Beyond Model Weights: Sampling-Dependent Fairness in Diffusion Language Models
来源与原文
arXiv · cs.CL
作者：Koshiro Saito
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.27584v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项 arXiv 研究考察了 LLaDA、LLaDA-1.5 和 Dream 三种扩散语言模型（DLM）在 Open-BBQ 上的社会偏见表现，发现三者均存在偏见，且测得的偏见大小和模型排序高度依赖 block length、remasking strategy 等采样配置。针对自回归模型的去偏策略可有效迁移到 DLM 并在不损害下游性能的情况下降低偏见，但采样依赖性在去偏后依然存在。结果表明 DLM 的公平性无法脱离采样配置独立评估。
来源：arXiv · cs.CL · arxiv.org