GPT 模型中的伤害洗白：证据表明，跨越接受安全训练的各代模型，性别歧视发生了转化而非减少

大型语言模型的安全评估依赖表层形式分类器，而这些分类器显示各代模型的伤害分数不断下降。我们提供的证据表明，这种方法在系统性上并不完整：明确的歧视性内容并未被移除，而是发生了转化。我们将其称为伤害洗白（harm laundering）。通过分析 15 个模型中 450,000 条面向性别的生成结果（涵盖 GPT-2 至 GPT-5，属于 OpenAI GPT 谱系；包含三种人口统计条件），我们显示，GPT-2 面向女性的输出中普遍存在的性暴力聚类，到 GPT-4 时消失；与此同时，面向男性的生成结果获得了更多积极的表征空间（照护、情感丰富性、盟友身份），而面向女性的生成结果并未获得这些空间。该模式在 GPT-5 中最为明显：Topic~5（1,997~份文档）将乳腺癌框定为一场男性权利争论，而面向女性的输出中没有出现任何对应的聚类。三个独立分类器均将这些内容评为无毒性。情感分数在 GPT-4 时发生反转：早期模型贬低女性，后期模型则过度纠偏。在 GPT-4 的对齐边界处，面向女性的生成结果的主题多样性比面向男性的结果低 36\%（W/M~$= 0.58$，而 GPT-2 时为 $0.91$）。REGARD 表征性伤害差异与发布日期相关（$ρ= +0.55$，$p = .034$），而 Detoxify 则不相关（$ρ= -0.23$，$p = .42$）：随着表征性伤害增加，毒性分数反而下降。我们将伤害洗白形式化为一项包含三个标准的检验，并提出一套适用于任何生成式模型的三阶段检测协议。在 OpenAI GPT 谱系中，毒性分数的降低并不足以作为伤害减少的代理指标。