偏见审计
对AI模型进行系统性评估以检测其输出中存在的偏见（如性别、种族、年龄等），是AI治理与合规的重要组成部分，用于衡量模型在决策、生成文本等任务中的公平性
时间轴 (近 90 天)
一篇发布在arXiv上的研究（arXiv:2609.15995）搭建了统一推理网关，让十种外在审计工具在十个前沿模型组成的共享面板上跑同一套评测
研究结论是偏见检测成功了，但对模型的排名失败了
十种审计工具中有八种能以置信区间明显偏离零的方式检测到偏见
研究用Kendall's W统计量衡量不同工具间排名一致性，结果为W=0.07，p=0.83，几乎与随机抛硬币无异
当评测面板包含真实能力差距时，单个工具内部的可靠性恢复，但跨工具的排名一致性依然没有恢复
研究认为这些审计工具测量的其实是不同的构念，而不是同一构念的不同噪声版本
偏见的方向会随审计格式变化，说明偏见高度依赖工具的操作化定义而非模型固有属性
研究结论认为没有任何单一审计能支撑将一个模型排在另一个模型之上的比较
随着AI监管框架落地，对高风险系统进行偏见审计正成为强制要求
全部知识事实 (9)
一篇发布在arXiv上的研究（arXiv:2609.15995）搭建了统一推理网关，让十种外在审计工具在十个前沿模型组成的共享面板上跑同一套评测
50%待验证研究结论是偏见检测成功了，但对模型的排名失败了
50%待验证十种审计工具中有八种能以置信区间明显偏离零的方式检测到偏见
50%待验证研究用Kendall's W统计量衡量不同工具间排名一致性，结果为W=0.07，p=0.83，几乎与随机抛硬币无异
50%待验证当评测面板包含真实能力差距时，单个工具内部的可靠性恢复，但跨工具的排名一致性依然没有恢复
50%待验证研究认为这些审计工具测量的其实是不同的构念，而不是同一构念的不同噪声版本
50%待验证偏见的方向会随审计格式变化，说明偏见高度依赖工具的操作化定义而非模型固有属性
50%待验证研究结论认为没有任何单一审计能支撑将一个模型排在另一个模型之上的比较
50%待验证随着AI监管框架落地，对高风险系统进行偏见审计正成为强制要求
50%