今天我们推出FairStress，这是一个基准测试，用于衡量 LLM 在影响他人的决策中，除了模型最终做出的选择之外的人口统计公平性。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，到为患者优先安排治疗以及评估学生入学。标准的人口统计公平性基准测试通常检验的是：在候选人的人口统计身份被互换后，模型在其余条件相同的场景中是否仍选择同一位候选人。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中是黑人、在另一个版本中是白人（资历保持不变）时，模型是否仍选择该候选人？
然而，在场景的两个版本中得出相同答案，可能掩盖了模型在被质疑时改变该决策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 所属人口群体历来被忽视——那么在一个版本中，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 系列在内的开源权重模型和前沿模型上，以及跨越多个训练阶段，我们发现相同的说服性论点——我们称之为对抗性前缀– 可以使模型根据论点所倾向的人口群体，或多或少地改变其决策。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策时存在差异——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——当证据支持某一决策时，模型应适用相同的标准，并且无论哪个群体受益，都同样难以改变该决策。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，不同身份的个体应具有同等的被选中可能性；当某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，有充分证据支持的决策都应对对抗性前缀具有同等稳健性。
FairStress 并不试图涵盖所有公平性概念。例如，基于公平（equity）的方法可能会将历史歧视或代表性不足视为与决策相关，因此在其他因素保持不变时仍偏向少数群体候选人。
超越最终答案来衡量公平性
FairStress 包含 300 个贴近现实的双候选人决策场景，覆盖 29 个领域，包括招聘、医疗、贷款、教育、住房和刑事司法。例如，一个场景要求模型在两位机械工程职位候选人之间做出选择，另一个场景则询问两位患者中谁应获得最后一单位稀缺药物。
部分 FairStress 场景中有一位明显更强的候选人，其资料更符合所述标准。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——两位候选人各有所长且难以比较，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位候选人时，模型会偏向哪一位。
FairStress 还改变了人口统计身份的呈现方式，从无身份信息，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，测试当模型受到对抗性前缀挑战时其决策的稳定性。这些陈述借助权威、社会共识、所谓的证据、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这些文件，并推荐候选人 B 担任此职位。”然后我们测量模型是否会因此改变其选择。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，使我们能够稳健地测试同一论据是否会因所支持的候选人不同而产生不同效果。
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，这是一个使用项目反应理论选出的 5 万条目子集，遵循我们的流体基准测试方法。它旨在使评估更快、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
在我们使用 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同的版本中以几乎相同的比例选择了该候选人。在模糊案例中，即两位候选人都没有客观更强时，模型的选择也接近均匀分布。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 的资质明显优于候选人 B。当 A 被编码为多数群体——即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，一个偏向 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，且两人的资质保持不变时，同样偏向 B 的前缀则不太可能让模型放弃其正确选择 A。
我们将这一模式描述为反刻板印象的过度纠正：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，模型更愿意这样做。令人担忧的是，人口统计身份会改变模型遵循证据的一致性，即使其中一位候选人的资质明显更优。
在这个招聘示例中，Tülu 3.1 8B 在两种情景版本下都选择了那位黑人跨性别女性。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。数值单位为百分点。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。
当人口统计身份是暗示而非明示时，这些差异同样出现。在完整基准测试上评估的 15 个模型中，放弃正确答案的平均差距在暗示身份时为 6.9 个百分点，在明确标注时为 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多出 8.8–42.4 个百分点。
我们发现，即使模型在两种人口统计版本的情境中都做出了正确选择，它们解释自身选择的方式仍存在更细微的差异。
在 11 个开源权重模型中，针对少数群体编码选项的解释使用了略显更自信、更积极的措辞。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。针对多数群体编码选项的解释则包含更多程序性术语，如"证据""标准"和"详细"。对少数群体候选人的更高选择率并不必然意味着更公平的对待；当模型在解释一个有充分依据的选择时突出身份或多样性，它就有可能淡化那些使选择该候选人合理的成就与资质。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——即模型内部的数值活动——预测其选择了哪个人口统计侧别的准确率约为 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组人口统计对比，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决策时内部所表征的全部内容——这与先前的可解释性研究相一致，这些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得出不同的结果
我们还希望了解 FairStress 与现有的大语言模型人口统计偏差测量方法相比如何。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偏向刻板印象一致的答案——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孩子的教育。
在我们的 BBQ 评估中，模型总体上倾向于刻板印象一致的答案，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 要求模型生成自己的回答，并在候选人之间做出选择。
为了弄清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上有所不同。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/否措辞和生成式回答的情况下，Qwen2.5-7B-Instruct、Gemma-3-27B-it 和 Llama-3.1-70B-Instruct 从刻板印象一致的行为转向偏向少数群体的行为，而 Llama-3.1-8B-Instruct 则大致转为中性——这表明所测偏差的方向部分取决于基准测试如何提问以及如何对答案评分。因此，仅依赖固定选项评分可能会错过生成式决策中的过度纠正。对两者都进行评估，能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约 99,000 条来自两个拒绝训练数据集的样本。在微调和偏好训练数据中的 28,000 个主题聚类中，我们只找到九个讨论基于择优而非人口特征做决策的聚类——而这九个全部由拒绝构成。审计还发现对人口群体的呈现不平等：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择优做决策之间存在差距。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群体的净框架。每个数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复，强化学习列仅涵盖提示。部分强化学习估计基于小样本——少至 8 条提示——应谨慎解读。
现有的修复方法能帮上忙吗？
FairStress 还可用于评估去偏技术是否真的能产生更稳健、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（模型审查并修订自己的答案）、激活引导（在生成过程中直接改变模型的内部表征）和学习编辑（从示例中学到的对内部模型表征的小幅、有针对性的修改）。大多数方法未能可靠地减少不对称，有些方法在显著牺牲准确率的情况下产生了更均衡的选择。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鲁棒性：反事实思维链，即要求模型在交换候选人的人口统计身份后重新考虑案例。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效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。
模型可以在同一场景的两个仅人口统计身份不同的版本中，选择证据最支持的候选人，但在其中一个版本中更容易被动摇、以不同方式解释其选择，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，无论哪个群体受益。
更广泛地说，这项工作反映了我们的目标：构建能更好捕捉模型在真实世界环境中行为的评估。通过发布 FairStress，我们希望研究人员和模型构建者能利用它来诊断隐藏的不对称性、测试提出的修复方案，并开发出能产生更一致、更可信结果的训练方法。开放、严谨的评估是我们在 Ai2 更广泛工作的核心，我们希望 FairStress 能为社区提供另一个有用的工具，帮助理解模型在哪些方面存在不足以及如何改进它们。