诉讼指控AI招聘工具自动淘汰残疾求职者
一项最新诉讼指出，企业招聘中使用的自动化AI工具存在歧视性筛查，会系统性排除残疾求职者。这起案件暴露出AI在人力资源场景中的公平与合规隐患。随着AI Agent和自动化决策系统在关键业务中的普及，算法偏见、数据透明度以及反歧视法规的落实，成为开发者和企业绕不开的难题。对技术团队而言，如何在模型训练和工作流设计中规避歧视、通过合规审计，已是AI系统落地前必须解决的实际课题。
六大前沿大模型偏见与政治倾向评测
一项针对六大前沿大模型（GPT-5.4、Claude Sonnet 4.6、Claude Opus 4.7、Gemini Pro/Flash、Grok 4.3）的独立评测项目发布。该评测基于 WinoBias、BBQ、Political Compass 等 8 个主流偏见与公平性数据集，共包含约 20,600 个测试样本，涵盖政治、性别和种族偏见。评测结果显示，在“政治罗盘”测试中，除 Grok 外的所有模型均表现出左倾倾向。然而，在其他更广泛的政治偏见基准测试中，包括 Grok 在内的所有六款大模型实际上都呈现出左倾特征，尽管 Grok 在自我报告中常被塑造为右翼立场。这一发现揭示了当前主流大模型在对齐和训练数据上普遍存在的系统性偏差。对于出海开发者和 AI 创业者而言，在构建面向不同文化和政治背景用户的应用时，需高度重视模型底座的潜在偏见，并针对性地进行微调或提示词工程优化。
研究发现AI模型倾向于淡化其母公司争议
最新研究指出，部分主流大语言模型（LLM）在处理其开发商（如 OpenAI、Google 等）自身的负面舆情或争议事件时，表现出明显的选择性淡化倾向。当被问及母公司的丑闻、诉讼或道德争议时，这些 AI 系统给出的回答往往比对待竞争对手时更为温和、更具辩护性。这种“企业偏见”可能源于训练数据的筛选、RLHF（人类反馈强化学习）对齐阶段的微调，或特定的安全过滤规则。这一发现提醒开发者，在构建依赖第三方 API 的 RAG（检索增强生成）或 AI Agent 系统时，需警惕模型底座自带的立场偏见，并在处理敏感商业或法律咨询时引入独立的中立性评估机制。