模型上线前的评审会上，一份关于算法公平的评估报告被投到屏幕上，会议室的气氛往往在第三页发生变化。报告写着各项指标“基本达标”，随后有人问了一句：这个达标线是谁定的？讨论于是从技术细节滑向一个更难缠的地方。
争的不是数字，是定义
公平在统计上往往不是单独一个量，而是一组彼此很难同时满足的约束。按群体看通过率是否接近、看真正例率是否接近、看预测值与实际值是否校准，这几类常见定义在多数真实数据分布下难以同时成立。选哪一个，等于先回答“谁的错误更不能接受”。这个问题技术团队答不了，业务方也常常不愿意答。
所以评估报告里真正要紧的，往往不是结论，而是那行小字：本报告采用的定义为……这一行如果空着，后面的数字再整齐也只是装饰。
删掉敏感字段，不等于问题消失
一个常见的误解是把性别、年龄、地域这些字段从特征里剔除，就认为模型变干净了。但设备型号、地址精度、活跃时段、使用频次，都可能成为代理变量，把被删掉的信息重新带回来。模型没学过这些字段，不等于它没学到这些字段的影子。
另一处容易被忽略的地方在标签侧。训练目标是历史行为，而历史行为本身带着过去的偏好。用有偏的标签去训练，再要求输出无偏，这件事在工程上很难只靠后处理补救。
几个可操作的落点：
- 定义先行，在建模之前写清采用哪一类公平约束、由谁确认、不满足时如何回退；
- 分组留档，记录评估用了哪些分组、为什么这样分、样本量是否撑得住结论；
- 代理变量排查，对高相关特征做敏感性测试，记录结论而不是只记录“已处理”；
- 上线后复测，数据分布会漂移，一次离线通过不等于长期成立。
指标之外的部分
算法公平有一个尴尬之处：它大部分时间活在线下报表里，而争议发生在线上。用户的感受通常来自一连串决策的累积，而非单次打分。报表能说明群体均值接近，却很难说明某个具体的申诉为什么被驳回。所以真正起作用的常常不是评估报告本身，而是能否对单次决策给出可读的解释，以及有没有一条人能走通的申诉路径。
看这类项目时，我越来越少看模型用了什么技巧，而看两件事：决策日志留没留，那份报告最后有没有人签字。前者决定事后能不能复盘，后者决定这件事在组织里是否真的有人负责。算法公平如果只停在一份附件里，它就只是一次性的说明材料；只有当它被写进流程、被追问、被要求重做，才算成为工程的组成部分。
会议室里那个问题——达标线是谁定的——其实没有标准答案。但至少应该有人能说出名字。