ニュース
Harm Laundering in GPT Models: Evidence That Gender Discrimination Is Transformed Rather Than Reduced Across Safety-Trained Generations
arXiv cs.AI · 公開日 · 読了3分
30秒で要点
- 何が起きたか
- Researchers found that GPT models reduce explicit harmful language while shifting gender discrimination into subtler forms that toxicity classifiers miss.
- なぜ重要か
- Matters for engineers building safety evaluations, deploying language models, or relying on automated harm metrics to verify model improvements.
- 注意点
- Standard toxicity scoring tools may show improvement while representational harms actually grow; surface-level metrics alone cannot validate safety progress.
- language model
- eval
- gpt
- phi
この話題の背景にあるパターン
- Constitutional Classifiers
- Generative UI (Agent-Rendered Interfaces)
- Agentic Context Engineering (Evolving Playbook)
各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。