自我去偏提示提升大语言模型评审的可靠性

Y. Yin 牵头的团队于 2026 年 10 月 20 日发表论文，表明大语言模型评审可以自行消除偏见。研究人员测试了两种方法：一种是在模型进行评审前提醒它可能存在偏见的提示词；另一种是在评审后要求模型检查自己的回答是否带有偏见的后续提示词。在三种最先进的模型中，自我去偏提示在 21 组“模型—偏见”组合中的 20 组里提升了结果，有时提高多达 15 个百分点。此前采用外部评审模型的方法，在新的偏见测试中表现更差。