Fairness（公平性）

模型与系统在不同群体、场景下应提供相当的质量与机会，需通过偏见评测、约束训练与流程审计保障。 公平性评测需定义受保护属性、基线指标与统计检验方法，避免仅以整体准确率掩盖群体差异。

Fairness常见于：内容安全、合规审计、偏见评估与政策对齐。实际选型需结合业务指标、数据规模与部署约束评估适用性。

围绕 Fairness 的口语化说法（见「常见误解」）常过度简化。效果依赖数据质量、任务匹配与系统整体设计；生产环境应配合评测、监控与人工复核。

Fairness随 AI 研究与工程实践持续演进，定义边界与最佳实践仍在更新。建议结合原始论文、官方文档与本站延伸阅读建立准确认知。