Парадокс позиционного смещения
Новое исследование, представленное на ICLR 2026 и отмеченное премией Entropic Award (Top 3 Paper), вскрывает фундаментальное различие в механизмах принятия решений у людей и больших языковых моделей. Авторы Jasin Cekinmez, Addison J. Wu и Thomas L. Griffiths доказали, что время запроса (query timing) — момент, когда модель получает инструкцию для оценки — критически влияет на появление эффектов первичности (primacy) и недавности (recency).
В то время как люди склонны обновлять убеждения в процессе получения информации, LLM часто делают это только в конце. Это приводит к тому, что новые модели демонстрируют более сильные позиционные искажения по сравнению со своими предшественниками, что ставит под вопрос надежность их работы в динамичных сценариях.
Ключевые метрики и сравнения
Исследование фокусируется на том, как изменение момента запроса меняет вес аргументов. Для наглядности различий между поведением человека и модели приведена сводная таблица:
| Параметр | Человеческое суждение | LLM (Large Language Models) |
|---|---|---|
| Основной механизм | Обновление убеждений в процессе (online) | Оценка только в конце (offline) |
| Влияние тайминга | Слабое или предсказуемое | Критическое: меняет знак смещения |
| Тренд по поколениям | Стабильный | Усиление смещений в новых моделях |
| Результат ICLR 2026 | — | Top 3 Paper (Entropic Award) |
Почему это важно для индустрии
Результаты arXiv:2608.12387 имеют прямое отношение к безопасности и надежности AI. Если LLM реагируют на тайминг запроса противоположным образом, это создает уязвимость в системах, где контекст подается потоком (например, в чат-ботах или анализе документов в реальном времени). Разработчикам необходимо учитывать, что «свежесть» информации в промпте может неоправданно влиять на вывод модели, особенно в последних версиях архитектур.
Вывод
Исследование подтверждает: LLM не просто копируют человеческие когнитивные искажения, а развивают собственные, часто противоположные. Игнорирование фактора «когда задан вопрос» при тестировании и внедрении моделей может привести к систематическим ошибкам в критически важных задачах.
Источник: arXiv cs.CL ↗