SpinDoctor：发现偏向图像生成的无害提示词

研究人员提出 SpinDoctor 方法，通过黑盒方式发现看似无偏的提示词，诱导文本到图像模型生成带有目标偏见的图像。 该方法在 304 次实验中成功引导 302 次生成偏向图像，两个开源模型的平均偏见改善分别为 34.8% 和 33.5%。 该提示词在不同模型间具有可迁移性，78.6% 的情况下在另一模型中仍能引发相同偏见，对用户构成潜在操纵风险。