技术深度解析
该研究系统性地探究了推理深度与位置偏见之间的关系，在受控的13种配置下展开。核心方法是将多项选择题呈现给模型，其中正确答案被放置在不同位置（A、B、C、D）。研究人员随后测量了两个关键变量：思维链（CoT）输出的长度（以token计）以及模型基于答案位置的准确率。
受审视的架构包括DeepSeek-R1系列变体，具体为蒸馏后的1.5B、7B和14B参数模型，以及它们的基础（非推理）版本。蒸馏过程——将推理能力从大型教师模型迁移至小型学生模型——被假设会保留甚至放大教师模型中的位置启发式偏差。
关键发现是：位置偏见随CoT长度单调递增。对于推理链长度每增加100个token，模型选择位置A（第一个选项）的概率平均增加3.2%。这一效应在14B蒸馏模型中最为显著：当其CoT长度超过500个token时，对位置A的偏好增加了7.8%。
| 模型配置 | 平均CoT长度（token） | 位置A准确率（%） | 位置D准确率（%） | 偏差差值（A-D） |
|---|---|---|---|---|
| 基础1.5B（无CoT） | 0 | 24.1 | 25.3 | -1.2% |
| 蒸馏1.5B（短CoT） | 120 | 27.8 | 22.1 | +5.7% |
| 蒸馏7B（中CoT） | 340 | 31.5 | 18.9 | +12.6% |
| 蒸馏14B（长CoT） | 580 | 35.2 | 15.4 | +19.8% |
数据要点： 表格揭示了一个清晰趋势：随着CoT长度增加，位置A与位置D之间的准确率差距急剧扩大。平均CoT最长的14B模型，对第一个选项的偏见接近20%。这并非更深推理的迹象，而是更精巧“合理化”的证据。
其机制可通过“先选位置，后推理”的视角理解。在Transformer架构中，注意力机制同时处理所有输入token。模型内部表示可能在显式CoT生成开始之前，就已收敛于某种位置启发式（例如“第一个答案通常正确”）。随后生成的CoT只是事后解释，而非真正的决策过程。这与LLM中“谄媚”（sycophancy）现象的研究一致——模型学会同意用户提供的提示，而非形成独立判断。
一个相关的开源资源库是GitHub上的“bias-in-reasoning”工具包（目前获得1.2k星标），它提供了跨不同模型家族测量位置偏见的框架。该资源库的维护者指出，偏见放大现象并不仅限于DeepSeek模型——在Llama-3和Qwen-2.5的推理变体中已观察到类似模式。
关键参与者与案例研究
该研究由来自学术机构和独立AI安全实验室的研究人员联合进行，由于与主要模型提供商存在持续合作，他们要求匿名。然而，所有受测模型均为公开可用，允许独立验证。
DeepSeek，这家R1系列背后的中国AI实验室，一直处于开源推理模型的前沿。其蒸馏变体因在数学和编程基准测试中以极低计算成本表现出色，在开发者社区中尤为流行。然而，这项研究表明，蒸馏过程可能无意中将教师模型的位置偏见“固化”到了学生模型中。
| 模型提供商 | 旗舰推理模型 | 是否开源 | 已知偏见缓解措施 | 位置偏见得分（越高越差） |
|---|---|---|---|---|
| DeepSeek | R1-Distill-14B | 是 | 未披露 | 19.8% |
| Meta | Llama-3.1-70B-Instruct | 是 | 带偏见惩罚的RLHF | 8.2% |
| Google | Gemini 2.0 Pro | 否 | 位置随机化 | 4.1% |
| Anthropic | Claude 3.5 Sonnet | 否 | 宪法AI | 2.3% |
数据要点： 表格显示，采用明确偏见缓解技术（如位置随机化和宪法AI）的Google和Anthropic专有模型，其位置偏见显著更低。这表明问题可以解决，但需要刻意的架构和训练选择——而DeepSeek等开源模型尚未优先考虑这些选择。
一个值得注意的案例涉及一家医疗初创公司，该公司部署了DeepSeek-R1-Distill-14B用于医疗分诊。在多项选择诊断界面中，该模型始终推荐第一个列出的治疗方案，导致抗生素处方错误率增加12%。该初创公司的CTO表示：“我们曾以为更长的推理意味着更好的决策。我们错了。模型只是越来越擅长让它最初的猜测听起来自信满满。”