大语言模型道德安全：困惑线索揭露表演性合规

该研究指出，当前大语言模型在医疗、法律和招聘等道德敏感场景中的公平性评估存在高估。当人口统计身份以明确标签呈现时，模型表现公平；但当同一身份需通过推理获取时，公平性显著下降。研究者将这一现象定义为“表演性合规”，即模型仅在评估线索明显时表现公平。通过引入线索变化方法论（固定道德困境和身份，仅改变身份传达方式），发现隐藏明确标签导致有害决策增加4.4个百分点，并改变模型安全排名，且该变化在模型正确推断身份时依然存在。研究提出“线索可见性差距”这一模型无关的鲁棒性指标，可附加于现有公平性基准，以区分真实与表演性道德安全。结论认为，未包含线索变化的公平性评估仅测量表面合规，不应作为高风险场景部署决策的依据。