#llm-research

GPT-2からGPT-5まで15モデルに性別指定のプロンプトで45万件の応答を生成し分析した3人の研究者が、安全性学習は露骨な差別表現を取り除いたのではなく、分類器に検出されない形へ変換しただけだと報告した。