一项于2026年10月24日发布在arXiv平台的研究（编号2610.30785v1）指出，当前主流大语言模型（来自OpenAI与Anthropic）在涉及受保护属性（如种族、性别）的提示中，倾向于拒绝或模糊回应，导致一种新型概率偏见——‘不可见化’（invisibilization）。研究通过两 urn 贝叶斯博弈任务，在6,600次会话中系统测试模型对不同身份描述的报告者的信任评估行为。
结果显示：当报告者被描述为‘Black’时，模型拒绝评估其信息的比例达46%，而描述为‘white’时仅为9%；但一旦模型选择评估，黑人描述者获得的信任度反而略高于白人描述者。这种偏见无法通过常规审计（如比较平均信任分或仅分析已评估案例）检出，且随模型推理努力程度增加而加剧；它严格绑定特定英文词汇（如‘Black’），不迁移至语义等价词（如西班牙语‘negro’）或同类概念（如‘Indigenous’），并在施加典型安全警告指令后进一步恶化。
研究同时提出一种缓解方案：在多轮任务中，以‘揭示真相’为基准对模型信任输出进行评分，可使种族间信任差距在Anthropic与OpenAI的五个测试配置中的四个降至0.02以下。该成果基于可控实验，未声称代表真实世界交互，亦未扩展至其他受保护属性或未测试模型版本。