Investigamos tendências de viés em modelos gerativos de texto para imagem ao longo do tempo, focando na crescente disponibilidade de modelos através de plataformas abertas como o Hugging Face. Embora essas plataformas democratizem a IA, elas também facilitam a disseminação de modelos inerentemente enviesados, muitas vezes moldados por ajustes finos específicos de tarefa. Garantir a implementação ética e transparente da IA requer estruturas de avaliação robustas e métricas de viés quantificáveis. Para isso, avaliamos o viés em três dimensões principais: (i) viés de distribuição, (ii) alucinação generativa e (iii) taxa de erro generativa. Analisando mais de 100 modelos, revelamos como os padrões de viés evoluem ao longo do tempo e em tarefas generativas. Nossas descobertas indicam que modelos artísticos e de transferência de estilo exibem viés significativo, enquanto modelos fundacionais, que se beneficiam de distribuições de treinamento mais amplas, estão se tornando progressivamente menos enviesados. Ao identificar essas tendências sistêmicas, contribuímos com um corpus de avaliação em larga escala para informar a pesquisa sobre viés e estratégias de mitigação, promovendo um desenvolvimento de IA mais responsável. Palavras-chave: Viés, IA Ética, Texto para Imagem, Modelos Gerativos, Modelos de Código Aberto.
Vice et al. (Mon,) estudaram essa questão.