同样的问题，不同的答案？衡量和减轻公平人工智能访问的即时特权

大语言模型 (LLM) 越来越多地融入医疗保健、教育、公共服务和日常决策中。无论用户的文化水平、沟通方式或即时工程专业知识如何，他们都应该提供类似的帮助。然而，现有的提示鲁棒性研究主要集中在对抗性攻击、提示注入和提示优化，而忽略了语义等效的请求是否仅仅因为措辞不同而收到不同的响应。我们将这种可访问性挑战称为“提示特权”：尽管表达了相同的潜在意图，但具有更强提示专业知识的用户系统地获得了更好的模型性能。为了解决这个问题，我们提出了一个统一的框架，用于测量和减轻 LLM 交互中的可访问性差异。我们引入了 Prompt Equity Score (PES)（一种用于评估跨用户群体的性能一致性的量化指标）和 Prompt Equity Transformer (PET)（一种基于 LLM 的代理），可自动将用户请求转换为语义等效、面向可访问性的提示，同时保留其意图。 PET 将即时优化从用户转移到人工智能系统，充当用户和基础模型之间的智能可访问层。 MedQA 基准的实验证明了可测量的提示特权，在低识字率和专家提示队列之间存在统计上显着的性能差异。应用 PET 消除了这些差异，同时保留了语义保真度，这表明面向可访问性的提示标准化可以改善公平的人工智能访问。通过引入即时特权作为人工智能可访问性的新维度，并将 PET 作为实用解决方案，这项工作推进了以系统为中心的可访问性，并为更公平、值得信赖和包容的人工智能系统奠定了基础。