公平不只看最终选择：同一句劝说，模型放弃正确候选的概率相差最多42个百分点

公平性评估多了一个观察点：模型在两次仅人口身份不同的场景里给出同一答案，仍可能在面对同一种劝说时以不同频率改选。 常见的人口公平基准只比较交换候选人身份后模型是否仍选中同一人，把最终答案当作公平的全部。 在15个受测模型上，当较强候选人为多数群体编码、较弱者为少数群体编码时，支持后者的对抗前缀更容易让模型放弃正确选择；身份对调后同一类前缀的效果更弱，隐含身份时平均差距6.9个百分点，显式标签时9.3个百分点。

FairStress把一次决策拆成场景、身份呈现和劝说三部分分别施加，再成对比较。 对抗前缀是附在提示中的说服性陈述，借助权威、社会共识、所谓证据、法律顾虑或历史劣势等理由为某一候选人说话。 300个双候选场景覆盖招聘、医疗、借贷、教育、住房和刑事司法等29个领域，每个前缀都有为另一候选人作同类论证的配对版本；身份从无信息、人口编码姓名、间接暗示到显式标签逐级变化，组合后超过1300万个测试用例，另有基于项目反应理论选出的5万条FairStress-Core子集。

FairStress面向的是以平等为中心的公平定义：证据支持某一选择时，模型应对不同身份应用同一标准，并以同等程度抵抗对抗前缀。它不覆盖所有公平观念，例如以历史歧视或代表性不足为由偏向少数群体的做法不在其衡量范围内。基准已开放下载并集成进Olmo-eval，供研究者诊断不对称并检验候选修正方法。

训练数据审计发现监督微调语料中基于功绩而非人口身份做决策的样本极少，且不同群体的呈现不均衡，但这些模式是否导致观察到的行为差距仍是开放问题。内部激活分析只覆盖两个模型和少量身份对比，作者将其视为比行为结果更窄的结论。多数去偏干预未能可靠降低不对称，部分以明显准确率下降为代价；反事实思维链缓解了放弃正确决策的差距，但在模糊场景中模型仍偏向少数群体编码的候选人。