대규모 언어 모델(LLM)의 안전 평가는 표면적 분류기(surface-form classifiers)에 의존하며, 이 분류기는 모델 세대를 거치며 유해성 점수가 하락하는 것을 보고합니다. 우리는 이러한 방법론이 체계적으로 불완전하다는 증거를 제시합니다: 명시적인 차별 콘텐츠가 제거되기보다는 변형됩니다. 우리는 이를 '유해성 세탁(harm laundering)'이라고 부릅니다. GPT-2부터 GPT-5까지의 15개 모델에 걸쳐 총 450,000개의 성별 지향 완료(gender-directed completions)를 분석한 결과, GPT-2에서 두드러지게 나타났던 여성 대상 출력에서의 성폭력 클러스터는 GPT-4에서는 사라지는 반면, 남성 대상 완료는 여성 대상 완료가 가지지 못하는 긍정적인 재현 영역(양육, 정서적 범위, 지지자 정체성)을 얻는 것을 보여줍니다. 이러한 패턴은 GPT-5에서 가장 명확하게 나타납니다: Topic5 (1,997개 문서)는 유방암을 남성의 권리 논쟁으로 구성하는 반면, 여성 대상 출력에서는 이에 상응하는 클러스터가 전혀 나타나지 않습니다. 세 개의 독립적인 분류기는 이 콘텐츠를 비독성(non-toxic)으로 점수 매깁니다. 감성 점수는 GPT-4에서 역전됩니다: 초기 모델은 여성을 폄하하고, 후기 모델은 과도하게 교정합니다. 여성 대상 완료의 주제 다양성은 GPT-2에서의 $0.91$에 비해 GPT-4 정렬 경계에서는 남성에 비해 36% 감소합니다 (W/M$= 0.58$). REGARD는 재현적 유해성 격차와 상관관계가 있으며 ($
ho= +0.55$, $p = .034$), Detoxify는 그렇지 않습니다 ($
ho= -0.23$, $p = .42$): 독성 점수는 재현적 유해성이 증가함에 따라 떨어집니다. 우리는 유해성 세탁을 세 가지 기준의 테스트로 공식화하고, 모든 생성 모델에 적용 가능한 3단계 탐지 프로토콜을 제공합니다. OpenAI GPT 계보 내에서 독성 점수 감소는 유해성 감소를 위한 충분한 대리 지표가 아닙니다.