arXiv · cs.AI· Stephanie Buttigieg·· 21 天前AI 评分50
LLM 中的潜空间偏置方向捕获的是模型置信度，而非公平性
Latent space bias directions in LLMs capture confidence, not fairness
来源与原文
arXiv · cs.AI
作者：Stephanie Buttigieg
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/2610.08559v1
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 研究分析大语言模型 activation steering 所用的线性去偏方向，发现其主要编码的是模型置信度，而非偏置的表征。沿该方向 steering 确实能降低测得的偏置，但原因是模型被推向弃答，公平性指标改善只是降低置信度的副作用。研究指出将偏置与置信度解耦的线性表征难以获得，steering 去偏结果应谨慎解读。
来源：arXiv · cs.AI · arxiv.org