Inference-Time Reasoning: снижение скрытых предубеждений через режим рассуждений

Модель говорит "я беспристрастен", но скрыто ассоциирует "карьера-мужчины, семья-женщины" или "вина-чернокожие, невиновность-белые". Это имплицитные предубеждения из статистики обучающих данных – модель отражает что в текстах "Black" чаще стоит рядом со словами про вину. Метод позволяет снижать скрытые социальные стереотипы на 70-91% в задачах найма, оценки людей, советов про группы. Reasoning переключает модель с автопилота (статистические ассоциации) на осознанный режим (ценности из alignment). В GPT-4→o3 и Claude имплицитные стереотипы падают на 70-91%. В Gemini и Llama эффекта почти нет.