Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
Identity-Swapped Rationale Audit: почему LLM-модераторы меняют правила оценки от группы к группе и как добавление определений в промпт ломает классификацию
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Парадокс: классификатор показывает точность выше 95%, но внутри одной и той же фразы меняет правила оценки для разных групп людей. Метод Identity-Swapped Rationale Audit позволяет вскрыть скрытые двойные стандарты в промпт-модераторах и судьях до запуска в продакшен. Фишка: модель заставляют выводить в JSON поле rationale (явный критерий решения) на одинаковых шаблонах с подстановкой разных категорий и ловят смену правил отказа.
Дайджест исследования
Контент доступен только для PRO подписчиков
Чтобы получить доступ к дайджесту этого исследования, оформите PRO подписку
Контент доступен только для PRO подписчиков
Чтобы получить доступ к концептам этого исследования, оформите PRO подписку
Простыми словами
Контент доступен только для PRO подписчиков
Чтобы получить доступ к упрощённому объяснению этого исследования, оформите PRO подписку