Self-Debias：大型语言模型去偏的自我纠正机制

尽管大型语言模型具备卓越的推理能力，但固有的社会偏见常在思维链过程中级联，导致持续的“偏见传播”。现有方法多关注静态约束，难以中断此过程。本文提出 Self-Debias 框架，将去偏重构为战略资源重分配问题，动态调整输出概率以修正偏见路径。该方法采用细粒度的轨迹级目标，选择性修订偏见后缀并保留有效上下文前缀。此外，集成基于一致性过滤的在线自改进机制，自主合成监督信号。仅需少量标注样本，即可激活高效的自我纠正，在保持通用推理能力的同时实现优越的去偏效果。