推理模型也有隐性偏差模式

同一道联想题，只因涉及的社会群体不同，AI 可能就要“多想几步”。Nature Machine Intelligence 的研究把公平性检查从最终答案推进到推理过程：模型是否会因某些组合不符合常见刻板联想，而投入更多计算？

研究者设计了 RM-IAT——面向推理模型的隐性联想测验。传统 IAT 用人的反应速度估计自动联想强弱；RM-IAT 则统计模型作答前生成的推理 Token，也就是中间推演所用的文本量。在 o3-mini、DeepSeek-R1、gpt-oss-20b 和 Qwen3-8B 中，不符合既有联想的任务都需要更多推理投入；Claude 3.7 Sonnet 却呈现相反模式，研究者将其联系到该模型在推理中对偏差和刻板印象的独特关注。RM-IAT 的结果还能预测模型在词语联想和决策任务中的输出偏差。

不过，Token 数只是计算投入的代理指标，不能证明模型具有类似人类的心理态度。它更实际的价值，是提醒审计者：不能只看 AI 最后说了什么，也要看它面对不同群体时怎样“费脑筋”。