Un equip de la Universitat de Durham, format per Sarah Wyer, Sue Black i Noura Al Moubayed, ha publicat un estudi —acceptat a la conferència EMNLP 2026— que analitza 450.000 respostes generades per quinze models de la família GPT, des del GPT-2 fins al GPT-5, davant de peticions orientades a un gènere concret. La conclusió principal: les avaluacions de seguretat actuals, basades en classificadors superficials que compten paraules o expressions ofensives, reporten que el dany disminueix generació rere generació, però aquesta mètrica és sistemàticament incompleta perquè el contingut discriminatori explícit no s'elimina, es transforma.
Els investigadors mostren, per exemple, que els grups de contingut de violència sexual, freqüents en les respostes orientades a dones del GPT-2, desapareixen efectivament cap al GPT-4. Però, en paral·lel, les respostes orientades a homes guanyen un terreny representatiu positiu —cures, rang emocional, identitat d'aliat— que les respostes orientades a dones no arriben a guanyar en la mateixa mesura. L'equip proposa un test de tres criteris per detectar aquest patró de «blanqueig» en altres models generatius, més enllà de la família GPT.
La peça és rellevant perquè qüestiona una pràctica estesa a la indústria: fer servir la baixada de la puntuació de toxicitat com a prova que un model és «més segur» en cada nova versió. Segons l'estudi, aquesta reducció no és una mesura suficient de la reducció real del dany, perquè els biaixos poden reaparèixer reformulats en un llenguatge que els classificadors automàtics no detecten com a ofensiu.
L'estudi encara no ha passat la revisió per parells d'una revista, tot i que ha superat el procés d'acceptació d'EMNLP, una de les conferències de referència en processament del llenguatge natural. També se centra exclusivament en la família de models GPT i en l'eix de gènere binari home-dona; caldrà veure si el mateix patró de «blanqueig» es repeteix en altres famílies de models i en altres eixos de discriminació, com la raça o l'edat.