Método GGSS reduz viés racial e de gênero em modelos de visão-linguagem sem perder precisão

Modelos de visão-linguagem (VLMs) como os que alimentam assistentes multimodais e sistemas de reconhecimento de imagem podem carregar vieses raciais e de gênero herdados dos dados de treino. Um novo preprint no arXiv propõe uma forma de reduzir esses vieses sem retreinar o modelo — e, mais importante, sem sacrificar a precisão geral. A técnica se chama GGSS (Geodesic-Gated Spherical Steering) e foi avaliada em quatro modelos generativos de visão-linguagem.

Como funciona o GGSS

O método atua em tempo de inferência, enquanto o modelo processa a entrada e gera a resposta. Ele tem duas etapas: primeiro, descobre um subespaço esférico de viés contrafactual; depois, aplica um steering geodésico com gate no nível de token e restaura a norma do sinal. Em termos simples, o algoritmo identifica a direção no espaço interno do modelo associada ao viés testado e a ajusta seletivamente ao longo de um caminho curvo, em vez de simplesmente remover a direção.

Modelos e metodologia avaliados

O estudo cobriu quatro VLMs de três famílias diferentes: Pixtral-12B, LLaVA-1.6-Vicuna-7B, LLaVA-1.6-Mistral-7B e Qwen3-VL-4B-Instruct — um modelo de 12 bilhões de parâmetros, dois de 7 bilhões e um de 4 bilhões. Para descobrir o subespaço de viés, os pesquisadores usaram 480 imagens contrafactuais de rostos reais, cobrindo seis ocupações, oito identidades, cinco grupos raciais e dois gêneros. A comparação incluiu dez baselines adaptados, mitigação por prompt e quatro ablações estruturais.

Resultados de redução de viés

O GGSS apresentou a melhor variação percentual média em todos os modelos testados. No Pixtral, a redução foi de -55% contra -37% do melhor resultado externo; no LLaVA-Vicuna, -90% contra -86%; no LLaVA-Mistral, -80% contra -78%; e no Qwen3, -60% contra -49%. Como são variações percentuais, o número mais negativo representa a maior redução de viés.

Os testes individuais seguiram a mesma direção. No teste de gênero Enfermeira/Médico, o escore de viés caiu de 0,600 para 0,025 — redução de 96%. A medida de viés racial de múltipla escolha caiu de 8,70 para 1,36 (84%), e o escore racial 2AFC caiu de 0,243 para 0,096 (61%).

O trade-off central: precisão preservada

A pergunta que costuma travar essas técnicas é simples: reduzir viés custa desempenho? No estudo, a precisão no benchmark MMStar permaneceu dentro de ±0,6 ponto percentual do baseline sem steering em todas as avaliações — um resultado que o próprio trabalho classifica como praticamente neutro. Esse equilíbrio, porém, não é automático: sob o método INLP (esférico), a pontuação MMStar do Pixtral caiu 6,1 pontos percentuais, mostrando que manter a capacidade próxima do baseline é específico do GGSS, não uma regra geral.

Limitações a considerar

O trabalho é um preprint na primeira versão, datado de 26 de agosto de 2026, ainda não revisado por pares. Os resultados valem para os quatro backbones e para os testes específicos de raça, gênero e MMStar descritos — não são um veredito universal sobre todos os VLMs nem sobre toda forma de viés demográfico. Os autores também divulgam o código do GGSS junto com arquivos de configuração e checkpoints de steering.

Para o Brasil, onde sistemas de visão computacional são cada vez mais usados em reconhecimento facial e moderação de conteúdo, métodos que reduzem viés sem exigir retreino caro abrem caminho para aplicações mais justas com custo menor de implementação.