公平的输出、有偏的内部：高风险决策中大语言模型潜在偏见的因果效力与不对称性

经指令微调的语言模型在高风险决策中表现出行为层面的公平，但其内部表示中仍保留有偏的关联。然而，这些被压制的表示能否影响模型输出，以及这种因果效力在人口群体之间是否对称，仍属未知。我们利用仅在种族相关姓名上不同的配对申请，研究开放权重模型在抵押贷款核保中的使用，揭示出一个关键断层：模型在输出层面没有偏见，却在各模型层中保留并放大人口属性表示。通过激活引导与新颖的跨层干预，我们证明这些被压制的信息与决策相关：在关键层重新注入时，会产生接近完全的决策翻转。关键的是，这种潜在偏见是不对称的——引导干预在一个人口方向上影响决策，而在相反方向上几乎无效——并且易受对抗性提示工程与参数高效微调的影响。这些发现表明，仅关注输出的行为审计并不充分：公平的输出可能掩盖可被利用的内部偏见。它们也推动了将输出评估与表示分析相结合的双层测试框架，用于高风险决策中的AI治理。