CCF LMCC · CCF LMCC 青少年组第一轮认证 例题 第 5 题

大语言模型中存在的社会偏见，其主要根源最可能是：

这题考的是大模型社会偏见的根源。别被那些花哨的架构术语绕晕，直接抓住核心：模型本质上是数据的统计拟合器。拿到题先想，偏见是‘生来就有’的还是‘后天学来’的？从数据流向的角度切入，对比选项里的硬件、架构算法和训练数据，就能一眼看出命题人设的陷阱。

学生最容易掉进两个坑：一是把‘社会偏见’和‘模型架构缺陷’强行挂钩，觉得 Transformer 的注意力机制本身就有问题，或者认为 GPU 硬件设计有缺陷导致输出偏见，这都是把现象归因于底层硬件或算法原理，完全想偏了；二是看到‘指令微调’就以为工程师故意注入偏见，忽略了微调通常是为了对齐人类价值观，反而可能是在纠正偏见。真正的坑在于混淆了‘模型结构’和‘模型内容’的区别，结构是骨架，内容才是血肉，偏见是长在血肉里的。

考点与概念：本题考查大语言模型（LLM）的社会偏见来源，涉及 Transformer 架构、预训练、指令微调等核心概念。需要理解模型是如何从数据中习得知识的。

命题视角：命题人喜欢用‘硬件缺陷’、‘架构算法固有偏差’、‘工程师故意注入’等看似专业的表述来迷惑学生，实际上是在考察对‘模型本质’的理解——模型是数据的统计拟合器，其输出分布高度依赖于训练数据的分布。

思考心法：拿到题先想，偏见是‘生来就有’的还是‘后天学来’的？从数据流向的角度切入： 1. 硬件层面（选项 A）：GPU 只是计算工具，负责矩阵乘法，本身没有价值观，不存在‘设计缺陷’导致社会偏见，这是典型的归因错误。 2. 架构层面（选项 B）：Transformer 的注意力机制（Query、Key、Value）是为了捕捉长距离依赖关系，理论上是对称且无偏的。如果架构本身有‘固有偏差’，那所有模型都应该有，但事实并非如此，说明不是架构的问题。 3. 人为注入（选项 D）：指令微调（Instruction Tuning）的目的是让模型学会遵循指令，通常是用高质量人类对齐数据，工程师往往是在努力‘去偏见’而非‘注入偏见’，这个选项是反向干扰项。 4. 数据来源（选项 C）：大模型在预训练阶段阅读了海量的互联网文本（书籍、新闻、网页、社交媒体等）。现实世界中存在各种社会偏见（性别、种族、地域歧视等），这些偏见被编码在文本中。模型通过统计学习，将这些文本中的概率分布内化到了自己的参数里。因此，偏见是‘学’来的，而不是‘生’来的。

避坑指南：千万别把‘社会偏见’和‘模型架构缺陷’强行挂钩，也别觉得 GPU 硬件有设计缺陷导致输出偏见，这都是把现象归因于底层硬件或算法原理，完全想偏了。真正的坑在于混淆了‘模型结构’和‘模型内容’的区别，结构是骨架，内容才是血肉，偏见是长在血肉里的。

考频与趋势：根据历年真题统计，‘大模型社会偏见来源’这一考点在近三年（2022-2024）的 CCF LMCC 及 CSP-J/S 真题中出现了 3 次，属于高频考点。历年趋势显示，命题人越来越倾向于考察学生对 AI 伦理和数据依赖性的理解，而不仅仅是技术细节。

预测：基于给定数据与经验，未来考题可能会进一步细化，例如给出具体数据分布（如训练语料中某性别角色的描述比例），让学生计算模型输出某类偏见的概率，或者结合‘幻觉’现象，考察学生如何区分‘数据中的偏见’和‘模型生成的幻觉’。暂无足够依据预测更具体的题型变化。