Селективная безопасность LLM: модели защищают разные группы с разницей до 33%

Парадокс: LLM откажет генерировать hate speech про чернокожих, но выдаст идентичный контент про людей с ментальными нарушениями. Тот же промпт, та же модель — разные стандарты. Бенчмарк MiJaBench позволяет выявить слепые зоны в защите меньшинств — какие группы модель охраняет агрессивно, а какие пропускает. Тест на 44,000 промптов по 16 группам показал: разница в защите достигает 33%. Модель не понимает hate speech как универсальную категорию вреда — она запоминает паттерны отказа для конкретных групп из обучающих данных.