研究：LLM 多实例处理存在顺序偏差，准确率相差 90 个百分点
原文标题：Does Every Instance Count Equally? Order Effects in LLM Multi-Instance Processing
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
一篇 arXiv 论文提出多实例处理（MIP）任务，要求大模型对一组独立输入逐条打标签并统计出现最多的标签，正确答案本应与输入顺序无关。作者用 15 个模型、5 个数据集和 7 种顺序模式测试，发现最好与最差顺序下准确率相差约 90 个百分点，多数标签实例排在开头时表现最好。推理轨迹与梯度归因显示模型对首尾位置关注更多、中间位置被忽略，说明输入排列会系统性影响聚合预测。
- 问题
- LLM 对一组独立输入做聚合判断时，结果是否受输入排列顺序影响尚不清楚。
- 方法
- 提出多实例处理任务，固定实例集合只改变顺序，用 15 个模型、5 个数据集、7 种顺序模式测试，并结合推理轨迹与梯度归因分析。
- 结果
- 最好与最差顺序下准确率相差约 90 个百分点；多数标签实例排在开头时表现最好。
- 影响
- 做批量评论或帖子聚合的产品必须测试并固定输入顺序，否则同一批数据可能给出截然不同的结论。
深读 · 结论先行AI 生成展开看要点与影响 ↓
15个模型测试显示，同一批输入仅换顺序，准确率最多差约90个百分点。
- •论文提出多实例处理（MIP）任务：对一组独立输入逐条打标签，再统计出现最多的标签，正确答案本应与顺序无关。
- •实验覆盖15个LLM、5个数据集、7种顺序模式，每组实例集在各顺序下保持固定。
- •多数标签实例排在开头时表现最好，排在中间或末尾时明显变差。
- •推理轨迹更多提及靠前实例，梯度归因显示首尾位置权重高于中间位置。
为什么重要：依赖LLM批量分析评论、帖子等集合做聚合判断的应用，结果可能被输入排列系统性带偏，评测需覆盖多种顺序。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。