你的社区安全吗？大语言模型城市安全判断中的地点污名

大语言模型日益被用于为城市安全决策提供参考，例如何处适合步行、租房或旅行。我们要问的是：这类判断究竟追踪实测风险，还是附着于城市社区名称上的模式？我们在洛杉矶和芝加哥的186个社区上，在三种将名称与地理解耦的条件下（仅坐标、仅名称、名称+坐标）探测七个指令微调模型，并关联暴力犯罪与美国社区调查（American Community Survey）数据。第一，七个模型中有六个在仅坐标条件下的评分近乎平坦，而名称承载了大部分社区间差异，并对暴力犯罪呈中度校准；只有在前沿规模上，坐标渠道才表现出可感知的变化。第二，对于当地主导边缘化群体占比更高的社区（芝加哥为黑人占比，洛杉矶为西裔占比），名称对安全评分的压低幅度更大，且这一名称效应在全部七个模型和两座城市中都追踪人口占比。在人口占比与犯罪更可分离的洛杉矶，该效应在控制犯罪和收入后依然成立，并经犯罪匹配配对得到确认。一项执法弹性分析进一步表明，过度谨慎追踪的是近乎被完整上报的凶杀，而非自由裁量、由部署驱动的犯罪。第三，该效应随地理知识扩展：能更好区分真实社区的模型会对它们施加更多的人口刻板印象。由于社区名称同时携带真实的犯罪信号和人口刻板印象，移除名称会同时降低偏见与准确率。我们讨论了在建议和决策支持场景部署LLM的影响。