超越偏见分数：GCD 梯度约束方向设计揭示激活引导中的可回答性混淆

研究在 BBQ 基准上发现，偏见分数混淆了模型偏好与是否作答，可回答性通道在 99 种配置中有 17% 超过分数变化的一半、11% 构成全部变化。作者提出 Gradient-Constrained Direction Design（GCD），在 Qwen-7B 协议下将作答率失真降低 14 倍，偏好改变提升 4 倍，并建议在报告分数时同时披露可回答性。