文章主要内容总结本文研究了小规模数据投毒是否会加剧大型语言模型（LLMs）中与方言相关的偏见，重点对比了非洲裔美国白话英语（AAVE）和标准美国英语（SAE）的差异。研究使用小尺度和中尺度的LLaMA模型，发现即使暴露于极少量的投毒数据，模型对AAVE输入的毒性输出也会显著增加，而SAE输入的毒性输出相对不受影响；且模型规模越大，这种放大效应越明显。此外，研究使用GPT-4o作为公平审计工具，识别出与AAVE输入相关的有害刻板印象模式（如攻击性、犯罪倾向、智力低下等）。研究还指出，传统毒性检测工具（如Detoxify）存在局限性——即使表面毒性分数较低，模型仍可能传递深层的社会偏见。最终结论强调，需加强方言感知评估、针对性去偏干预和负责任的训练协议，以缓解此类风险。文章创新点提出基于语言风格的隐蔽投毒攻击：以AAVE这种方言作为潜在触发因素（而非明显的触发词或罕见 token），设计了一种在指令微调阶段注入有害关联的投毒策略，揭示了模型对纯风格变体触发的偏见放大漏洞。揭示模型规模与投毒敏感性的关联：发现更大规模的模型对小规模投毒更敏感，偏见放大效应更显著，为模型安全设计提供了规模相关的参考。暴露毒性检测工具的局限性：指出传统毒性检测工具（如Detoxify）仅关注表面词汇攻击性，无法捕捉深层的刻板印象偏见，强调需结合LLM（如GPT-4o）进行社会偏见审计。聚焦方言相关偏见的社会影响：首次系统研究方言（AAVE）作为投毒触发因素对模型偏