大模型在招聘、审批等场景中承担越来越关键的决策角色，但其判断是否会因候选人所属人口群体而产生系统性差异，一直是公平性研究的焦点。艾伦人工智能研究所（Ai2）近日推出新基准FairStress，试图将这一隐性问题转化为可测量的指标。

FairStress的设计思路是考察模型决策的"抗压能力"：当模型面对带有说服性的论据时，其改变原有选择的难易程度是否会因候选人所属人口群体而不同。该基准构建了300个两候选决策场景，并引入对抗前缀施加压力，从而检验公平性不对称是否在模型推理过程中被放大。

在测试规模上，FairStress覆盖的全部组合超过1300万测试用例，为细粒度评估提供了充足样本。目前该基准已开放下载，并集成进Olmo-eval工具链，研究者和开发者可直接调用，用于对自家模型开展公平性压力测试。

对AI行业而言，FairStress的价值在于把"公平"从抽象原则推进到可复现的量化实验，为模型选型与上线前的风险评估提供了新的参照维度。