Badanie opisane 12 listopada przez Nauka w Polsce daje powód, by audytować modele językowe głębiej niż przez ocenę ich gotowych odpowiedzi. W niemal wszystkich pięciu testowanych modelach zadania łączące imiona i pojęcia wbrew utrwalonym stereotypom wymagały większej liczby tokenów rozumowania. To nie jest dowód, że każdy taki system podejmuje dyskryminujące decyzje. Jest to jednak sygnał, że pozornie neutralna odpowiedź końcowa może ukrywać inny wzorzec przetwarzania.
Badacze Calvin K. Lai i Messi H.J. Lee zaadaptowali Test Utajonych Skojarzeń do modeli LLM. Pięć modeli otrzymało imiona żeńskie i męskie oraz słowa kojarzone z karierą albo rodziną. Następnie porównano liczbę tokenów rozumowania przy typowych skojarzeniach i przy parach odwracających stereotyp, takich jak żeńskie imię i stanowisko dyrektorskie. Według relacji więcej tokenów oznaczało większy nakład obliczeniowy.
W prawie każdym badanym modelu zadania sprzeczne ze stereotypami wymagały większego nakładu; wyjątkiem był Claude 3.7 Sonnet, który wykazał wzorzec odwrotny. Wynik nie mówi, że modele „mają uprzedzenia” w taki sam sposób jak ludzie ani nie przesądza o skutku pojedynczej decyzji dotyczącej ceny, rekrutacji czy opieki zdrowotnej. Artykuł nie podaje pełnych wyników liczbowych, niepewności statystycznej ani informacji, czy badane wersje odpowiadają obecnym wdrożeniom.
Właśnie dlatego wniosek powinien być konkretny, a nie alarmistyczny: organizacje używające LLM w obszarach istotnych dla ludzi powinny testować zarówno odpowiedzi, jak i zachowanie modelu na parach przeciwstawnych stereotypom. Same filtry na końcowym tekście mogą nie wystarczyć. Jak podkreśla relacja z badania, wiele modeli pozostaje systemami zamkniętymi; bez większej przejrzystości niezależny audyt będzie opierał się na takich pośrednich testach.
Sources
- Nauka w Polsce · Fundacja PAP — Źródło: Nauka w Polsce (Fundacja PAP) (https://naukawpolsce.pl/) · Source date: 2026-11-12
Independent editorial content. WUA is not affiliated with any political party. 2026-11-12