指令调优语言模型代理中的类人群体偏见

随着自治 AI 代理在持续交互网络中部署——协调任务、路由资源并积累声誉历史——决定谁获得机会、谁不获得机会的社会动态将决定其规模，远超人类机构可监督的范围。我们在控制多智能体模拟中进行了实验，指令调优语言模型代理在 500 轮交互中依据三种条件操作组标签显露度和资源稀缺性，在六大模型家族中各取 20 个随机种子进行测试。当组标签可见时，我们观察到群体内信任偏见、行动同质倾向以及网络 assortativity——而在标签隐藏时则未出现——该模式结构上与人类社会心理学中的显露度依赖性相符。这种歧视对标准行动日志审计而言是不可见的：偏见完全通过谁获得每项行动来实现，而非行动本身是否被选择，行动类型分布在各条件间未显示出对负面行动的增加。每轮群体内外差异为 5-16 个百分点，对所有六个模型而言均具有显著性（Wilcoxon 符号秩检验，所有 p 值经 Benjamini-Hochberg 校正后均 < 0.001），从而在指令调优语言模型中建立了组别依赖的定向特性，跨越架构和训练体制。经过 500 轮互惠，这些差异累积形成群体内信任偏见为 +0.014 至 +0.100（效应量 d = 0.84-4.52），说明细小的单次互动定向如何在持续网络中转化为结构性不平等。