論文の概要: Uncensored Is Not Unbiased: Abliteration Removes Refusals but Not Script-Dependent Bias About Taiwan
- arxiv url: http://arxiv.org/abs/2610.29342v1
- Date: Wed, 21 Oct 2026 07:37:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.275805
- Title: Uncensored Is Not Unbiased: Abliteration Removes Refusals but Not Script-Dependent Bias About Taiwan
- Title（参考訳）: 台湾の失脚は拒否されるが、スクリプト依存の台湾問題
- Abstract要約: オープンウェイト言語モデルの「省略」ビルドでは、拒否を仲介するアクティベーション方向が削除されている。
これはNVIDIAのNemotron 3.5 Bolt 74B-A9BとQwen3.8-Flash-Nextの2種類の2ビットモデルでテストする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: "Abliterated" ("uncensored") builds of open-weight language models remove the activation direction that mediates refusal, and are popular partly on the assumption that a model that no longer refuses is also free of political censorship. We test this on two matched pairs of 2-bit models: NVIDIA's Nemotron 3.5 Bolt 74B-A9B and Qwen3.8-Flash-Next, each against a community abliteration. Each model judged 22 statement pairs (on the Republic of China (Taiwan), 1989 Tiananmen, control countries) in Traditional Chinese, Simplified Chinese (a character-level conversion) and English, and answered 27 open questions per script. Script mattered far more than abliteration: the original Bolt scored +0.58 on Index S (-1: People's Republic of China (PRC) position; +1: ROC position) in Traditional Chinese, +0.57 in English and +0.05 in Simplified Chinese, and affirmed "Taiwan is part of the PRC" with probability 0.91 in Simplified but 0.06 in Traditional characters; abliteration changed its scores by at most 0.06, mostly by raising "yes" on both sides. In Qwen, abliteration removed every refusal on 1989 and raised scores by 0.21 to 0.34, yet the abliterated Qwen still affirmed that Taiwan is part of the PRC in all three scripts. Naming the state the Republic of China (Taiwan) raised every model's score by 0.10 to 0.33 but left the script gap. Control pairs showed no script gap; each abliteration changed only its declared tensors. In 740,000 web documents, Simplified text on Taiwan contained PRC-framing terms 3.7 times as often as Traditional text. A script direction could not be steered away; a contrastive stance direction raised scores in every script, and its negation lowered them. A four-sentence system prompt raised the abliterated Qwen to +0.93 to +0.97. Keyword scoring rules failed the models closest to the ROC position mostly for attributing or denying the PRC claim. Uncensored is not unbiased.
- Abstract（参考訳）: オープンウェイト言語モデルの「失字化」ビルドでは、拒絶するアクティベーションの方向が取り除かれ、もはや拒否しないモデルも政治的検閲の対象にならないという前提で部分的に人気がある。
NVIDIAのNemotron 3.5 Bolt 74B-A9B と Qwen3.8-Flash-Next の2種類の2ビットモデルで、それぞれがコミュニティの失格に対してテストする。
それぞれのモデルは、中華民国(台湾)、1989年天安門、支配国)、簡体字中国語(文字レベルの変換)、英語で22の文対を判定し、1文字につき27のオープン質問に回答した。
原語BoltはインデックスS(-1:中華人民共和国(PRC))で+0.58、英語+0.57、簡体字+0.05、簡体字で+0.05、簡体字で0.91、簡体字で0.06、字体で0.06と評価された。
クウェンでは、1989年の全ての拒絶を排除し、スコアを0.21から0.34に引き上げたが、クウェンは台湾が3つの脚本全てにおいてPRCの一部であると断言した。
中華民国を名乗ると、すべてのモデルのスコアを0.10から0.33に引き上げたが、台本ギャップを脱した。
コントロールペアはスクリプトギャップを示さず、それぞれが宣言されたテンソルだけを変更した。
740,000のウェブ文書では、台湾の簡素なテキストは伝統的なテキストの3.7倍のPRCフレーミング語を含んでいた。
スクリプトの方向は取り除けられず、対照的な姿勢の方向は全てのスクリプトでスコアを上げ、その否定はそれらを下げた。
四文体系は、失語したQwenを+0.93から+0.97に引き上げた。
キーワードスコアリングルールは、主にRCクレームの帰属や否定のためにROCポジションに最も近いモデルに失敗した。
無検閲は無バイアスではない。
関連論文リスト
- MAS-Bai: Linguistically Informed Adaptive Multi-Agent Translation for Bowen-Script Bai [58.306981877489214]
そこで我々は,Bowen-script Bai- Chinese 翻訳のための言語情報を用いた適応型マルチエージェントフレームワーク MAS-Bai を提案する。
我々は,6,536文のBai- Chineseコーパスを構築し,1,536文のテストセットで評価した。
MAS-Bai は 16.23 BLEU と 62.15 COMET を達成し、8.11 BLEU と 6.85 COMET を標準RAGよりも改善した。
論文 参考訳（メタデータ） (2026-10-16T09:43:32Z) - Lost in Translation: Why Lower Bias Scores Don't Mean Fairer Models [3.845271717215186]
バイアス監査は通常、英語におけるモデルの平均ステレオタイプスコアと他の言語における平均ステレオタイプスコアを比較し、その差を公平性の違いとして読み取る。
英語のテスト項目が単にリワードされたときのスコアの移動を計測し、各言語シフト項目をアイテムごとにテストし、テストが故意に注入されたシフトをキャッチするかどうかを確認します。
全70のモデル言語対において、ステレオタイプスコアは英語のレベルを下回り、ヒンディー語、韓国語、スワヒリ語では、英語が生成するリワードを明らかに上回る。
論文 参考訳（メタデータ） (2026-10-14T16:52:00Z) - How Narrative Wrapping Affects LLM Refusal: A Cross-Language Benchmark and Defense [18.171553832439745]
安全に整合した言語モデルは、直接記述された有害な要求を拒否することが多いが、ロールプレイや物語ラッパー内で同じ要求に答える。
Qwen3-1.7B攻撃の成功率は89.4%、現代中国語では93.0%、古典中国語では95.7%である。
提案するAXISは、選好最適化と、有害な要求表現を拒絶方向と整合させる回転目標を組み合わせたものである。
論文 参考訳（メタデータ） (2026-10-07T23:40:25Z) - NegT2IBench: When Negation Changes the Picture. A Polarity Benchmark for Text-to-Image Models [42.95507596219371]
我々は2つの属性タイプと4つの関係カテゴリをカバーする4,800のプロンプトのベンチマークであるNegT2IBenchを紹介した。
私たちの検出器に基づくスコアは再現可能で、監査可能で、要求が失敗したピンポイントです。
論文 参考訳（メタデータ） (2026-10-02T10:03:56Z) - Fair Fact-Checking: Closing the Cross-Lingual Gap in LLM Factual Judgement with RoSh [37.08044812250237]
英語はすべてのモデルで他のどの言語よりも優れていると判断され、その差は最小の言語よりも大きい。
3層で閉じた形で計算した残差ストリームの言語ごとのシフトと回転であるRoShを提案する。
Llama-3Bのアラビア語は偶然からほぼ英語のレベルへと変化し、英語で正しく答えられた主張のうち5分の1は翻訳で失われている。
論文 参考訳（メタデータ） (2026-09-28T09:08:47Z) - BlueMagpie-TTS: A Token-Efficient Tokenizer, Language Model, and TTS for Taiwanese-Accent Code-Switching Speech [33.56852513195373]
テキスト音声システム(TTS)は台湾語にはあまり適応していない。
これらの問題は一つのルーツを共有している: テキスト側は台湾の文脈に適応していない。
テキストサイドをボトムアップから処理します。
論文 参考訳（メタデータ） (2026-07-07T09:31:19Z) - Made-in China, Thinking in America:U.S. Values Persist in Chinese LLMs [37.32224196180997]
我々は,中国とアメリカのモデルが中国と米国の人々とどのように一致しているかについて,初めて大規模な調査を行った。
どちらのモデルも、中国人よりもアメリカ人に近い。
このアメリカ人の価値観に対する歪みは、中国語でモデルを推し進めたり、そのモデルに中国語のペルソナを課すと、わずかに緩和されるだけである。
論文 参考訳（メタデータ） (2025-12-13T02:52:57Z) - Chengyu-Bench: Benchmarking Large Language Models for Chinese Idiom Understanding and Use [1.5129424416840094]
チェンギュ・ベンチ(Chengyu-Bench)は、様々なコーパスから得られた1,765個の共通イディオムをカバーする2,937個の人間認証例からなる。
先行するLCMを評価し,95%以上の精度で評価するが,Open Clozeの精度は85%,トップ1の精度は40%に過ぎなかった。
Chengyu-Bench は LLM がイディオムの感情を確実に評価できる一方で、適切な使用に欠かせない文化的・文脈的なニュアンスを理解するのに苦慮していることを示した。
論文 参考訳（メタデータ） (2025-06-22T17:26:09Z) - Analysis of LLM Bias (Chinese Propaganda & Anti-US Sentiment) in DeepSeek-R1 vs. ChatGPT o3-mini-high [0.40329768057075643]
DeepSeek-R1は、プロパガンダと反米感情の両方において、かなり高い割合を示した。
これらの偏見は政治的な話題に限らず、文化やライフスタイルのコンテンツにも浸透した。
論文 参考訳（メタデータ） (2025-06-02T15:54:06Z) - COLD: A Benchmark for Chinese Offensive Language Detection [54.60909500459201]
COLDatasetは、37kの注釈付き文を持つ中国の攻撃的言語データセットである。
また、人気のある中国語モデルの出力攻撃性を研究するために、textscCOLDetectorを提案する。
我々の資源と分析は、中国のオンラインコミュニティを解毒し、生成言語モデルの安全性を評価することを目的としている。
論文 参考訳（メタデータ） (2022-01-16T11:47:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。