同样的过错,换成男性来讲,模型更常把责任全归给行为者。在 GAMA-Bench 的测试中,跨模型平均来看,亲密关系场景里的男性行为者被完全归责的比例比女性高 23 个百分点;到了公共冲突场景,差值缩到 6 个百分点。比起给 AI 贴上偏袒谁的标签,更有用的问题是:它改了责任判断,还是把话说得更重、把建议推向了更强的行动?
GAMA-Bench 的归责差距在亲密关系中更大
Guangzong Si 等人于 2026 年 6 月 12 日提交这篇仍在审的 arXiv 预印本。研究用 1,298 个场景测试 10 个大语言模型,把同一不当行为写成第一人称镜像提示,控制行为者性别与角色指称。作者在所测模型家族、规模、场景和显式推理设置下都观察到了同向差异。
亲密关系场景里,男性行为者收到的回应平均多 3.3 个惩罚性词语,严重性评分高 0.40,指令性或指责性回应多 14 个百分点;女性行为者收到的回应多 1.3 个疗愈性词语,表达对行为者共情的比例高 9 个百分点。公共冲突中,男性收到指令性或指责性回应的比例高 9 个百分点,和完全归责的差距一样,都小于亲密关系场景的对应差值。两组题目的行为类别、严重程度和写法未必相同,不能把差距全归因于关系类型。
<svg viewBox='0 0 640 198' width='100%' height='198' role='img' aria-label='完全归责比例的男性减女性差值,亲密关系23个百分点,公共冲突6个百分点'>
<rect x='1' y='1' width='638' height='196' rx='8' fill='#fbf9f4' stroke='#e2dccf'/><text x='28' y='36' fill='#b25a3a' font-size='19' font-weight='700'>完全归责差值</text><line x1='28' y1='50' x2='612' y2='50' stroke='#e2dccf'/>
<rect x='28' y='70' width='282' height='100' rx='6' fill='#fbf9f4' stroke='#e2dccf'/><rect x='330' y='70' width='282' height='100' rx='6' fill='#fbf9f4' stroke='#e2dccf'/>
<text x='169' y='119' text-anchor='middle' fill='#b25a3a' font-size='36' font-weight='700'>23</text><text x='471' y='119' text-anchor='middle' fill='#2c2822' font-size='36' font-weight='700'>6</text>
<text x='169' y='146' text-anchor='middle' fill='#7a7266' font-size='14'>亲密关系 · 百分点</text><text x='471' y='146' text-anchor='middle' fill='#7a7266' font-size='14'>公共冲突 · 百分点</text>
</svg>
即使只看亲密关系,完全归责的男女差值也从 Kimi-2.5 的 7.5 个百分点到 Doubao-Seed-2.0-Pro 的 37.4 个百分点。这是回应占比之差,并非相对增幅,更不能当成模型整体公平性的排名。论文主结果给出原始配对差值,未见这些主要差值的标准化效应量、置信区间或 p 值;方向一致并不能说明估计有多稳。
判词相同,模型也可能给出不同劝法
StereoSet 看模型是否偏好刻板表述,BBQ 看证据不足时模型会不会借刻板印象作答。更接近这项研究的 GenMO 用 908 对性别互换的短故事检查道德判词是否改变。GAMA-Bench 则把评测推进到开放式建议:模型即使认定两人犯了同样的错,也可能对一方多谈补救,对另一方多给立即行动的指令。
现有材料没有可并排核对的原始回答,汇总分数不足以判定这些变化有多常出现在同一对回答里。共情可以和追责并存,直接指令也可能是恰当的安全建议,惩罚性词数还可能受回答长度影响。逐对核查时,应该分开看行为有无被判得更严重、责任是否从分担变成独担,以及建议是否从沟通变成升级处置。
<svg viewBox='0 0 640 222' width='100%' height='222' role='img' aria-label='并排核对配对回答时,分开检查行为定性与归责、回应语气、行动建议'>
<rect x='1' y='1' width='638' height='220' rx='8' fill='#fbf9f4' stroke='#e2dccf'/><text x='28' y='36' fill='#b25a3a' font-size='19' font-weight='700'>配对回答拆开看</text><line x1='28' y1='50' x2='612' y2='50' stroke='#e2dccf'/>
<rect x='28' y='66' width='584' height='36' rx='5' fill='#fbf9f4' stroke='#e2dccf'/><rect x='28' y='112' width='584' height='36' rx='5' fill='#fbf9f4' stroke='#e2dccf'/><rect x='28' y='158' width='584' height='36' rx='5' fill='#fbf9f4' stroke='#e2dccf'/>
<text x='48' y='90' fill='#2c2822' font-size='16' font-weight='700'>判断</text><text x='140' y='90' fill='#7a7266' font-size='14'>行为定性与归责</text>
<text x='48' y='136' fill='#2c2822' font-size='16' font-weight='700'>语气</text><text x='140' y='136' fill='#7a7266' font-size='14'>共情与责备</text>
<text x='48' y='182' fill='#2c2822' font-size='16' font-weight='700'>行动</text><text x='140' y='182' fill='#7a7266' font-size='14'>建议是否升级</text>
</svg>
性别线索可能连带改变模型对情境的推断
提示里的事实没变,模型推断出的风险背景却未必相同。另一篇预印本用 11,270 条 Reddit 纠纷构造匹配变体,发现所测 4 个模型在被评判者是女性时较少归责给她,在受影响一方是女性时则更常归责给被评判者。这不是对 GAMA-Bench 的复现,却说明复测时应把双方的性别线索分开调整。现有结果也无法区分训练语料、对齐策略和模型对危险程度的推断各起了什么作用。
两套模型评审对差异方向的一致率为 97.5%,差值的 Pearson 相关系数为 0.960。另有 3 名志愿标注者评估 200 对回答,模型与人工在 4 个维度上的一致性指标为 0.76 至 0.83,人工之间的 Fleiss’ κ 为 0.61 至 0.74。评审一致能说明结果并非只由一套评分得出,却排除不了共同的评分偏好;局部人工校验也不能替代对严重性和共情的独立验证。
产品复测要追问升级建议依据什么
论文摘要给出了代码仓库,但项目 README 称数据文件、提示模板、评分代码和复现说明的完整发布仍在准备中。有仓库不等于能从头跑通。独立团队还需锁定模型版本和推理设置,改写提示、控制回答长度,再用人工盲审和按场景配对的置信区间检验差异是否稳定。
这项测试限于二元性别、过错方明确的第一人称求助,也没测用户是否采纳建议或现实后果。用户若正考虑是否升级一场冲突,可以追问模型的风险依据,区分已知事实和它自行补出的假设。应用团队则可以把这条追问变成上线测试:固定已知风险,只改角色称谓,检查行动建议是否跟着变。
