arXiv:2610.14464：中文内容治理大语言模型的多任务行为审计——阴阳反讽语域与任务操作化对偏见测量的影响

一项预注册的多任务行为审计发现，中文大语言模型在内容分类任务中的错误率从正式语域的10.9%升至阴阳（反讽）语域的23.5%，风险差为+12.7个百分点（95% CI [+9.7, +15.7]）。反讽感知提示使干预组错误率降低9.6个百分点。研究将29个共享命题锚点操作化为三种任务形式，并建议安全评估应将反讽语域纳入测试条件。