理解LLM的锚定效应：存在性、机制与潜在缓解措施
计算与语言
2026-03-31 v2
摘要
大型语言模型（LLM）如 ChatGPT 的兴起推动了自然语言处理的发展，但关于认知偏差的担忧日益增长。本文研究了锚定效应，这是一种认知偏差，即人类倾向于高度依赖第一条信息作为做出受影响判断的锚点。我们探讨了LLM是否受锚定效应影响，以及其背后的机制和潜在缓解策略。为便于大规模研究锚定效应，我们引入了一个新数据集 SynAnchors（https://huggingface.co/datasets/TimTargaryen/SynAnchors）。结合精细化评估指标，我们对当前广泛使用的LLM进行基准测试。我们的发现表明，LLM普遍存在锚定偏差，浅层结构发挥作用，且常规策略无法消除这种偏差，而理性思考可提供一定的缓解效果。
引用
@article{arxiv.2505.15392,
title = {Understanding the Anchoring Effect of LLM with Synthetic Data: Existence, Mechanism, and Potential Mitigations},
author = {Yiming Huang and Biquan Bie and Zuqiu Na and Weilin Ruan and Songxin Lei and Yutao Yue and Xinlei He},
journal= {arXiv preprint arXiv:2505.15392},
year = {2026}
}
备注
Accepted by the HCAIR workshop of ICLR 2026