资料多一倍，AI 就觉得它更靠谱？

AI 概念插画。

两群动物要各派一位队友。你拿到的材料是：

• A 群有 18 条正面行为、8 条负面行为。
• B 群有 9 条正面行为、4 条负面行为。

A 的好事多一倍，坏事也多一倍。按正负比例，两组完全相同。但如果把这些材料写成一长串故事，AI 会不会把“我读到的好事更多”当成“这群动物更好”？

2026 年 10 月 6 日公开的研究，把这道题交给九个语言模型和人类参与者。作者在每项任务招募 100 人，每个模型也独立采样 100 次，再剔除无效回答。动物组队题里，人类选择材料较少一组的比例约为 46%，九模型平均只有 15%；GPT-4o 为 5%，Qwen2.5-14B 为 32%。论文全文

多讲几遍，就像多了一分胜算

这个实验好玩的地方，在于每条材料都可以读懂，问题出在把材料拼成判断的那一步。

作者又做了几组对照。两组材料数量拉齐后，四个模型在两类选择题中的八个结果，有六个回到 40%—60% 的区间。反过来，让材料更多的一组拥有更低的正面比例，八个结果里仍有七个显著偏向它。

模型也并非完全不会看比例：材料量相近、正面比例不同时，多数设置会偏向比例较高的一组。更像是信息量不平衡时，整体印象抢走了比例计算的位置。

一句“仔细想想”还不够具体

论文尝试让模型逐步思考，也尝试直接规定操作：先把每条材料分类，计算正面占比，再据此选择。后者在动物组队题里，把 DeepSeek-R1-Distill-Llama-8B 选择材料较少一组的比例从 28% 拉到 50%；Llama-8B-IT 则只从 17% 升到 25%。明确计算步骤能帮助部分模型，效果并不整齐。

这里还有个值得注意的实验条件：原题要求根据“总体印象”二选一，而补充提示明确要求按比例判断。因此，结果既涉及模型如何整合信息，也受任务措辞影响。九种模型的受控文字任务，不能直接换算成所有现实决策的错误率；现实材料的重要性也未必条条等重。

对做资料检索的人，我会从中带走一个很实际的问题：某个对象看起来证据更充分，是因为事实更强，还是因为它恰好拥有更多报道？ 让 Agent 总结之前，先数一数每边拿到了多少材料，有时比再加一句“请深入分析”更有用。

---

原文：Illusory Pattern Perception Drives Spurious Inference in Large Language Models
作者：Peihua Mai、Zhuoyan Shao、Xinbao Qiao、Meng Zhang、Xinyue Zhou、Yan Pang
日期与状态：2026-10-06，arXiv v1；摘要页注明已被 NeurIPS 2026 接收。
阅读依据：论文全文及附录，本文聚焦其中的信息量与比例实验；末段为检索工作流的应用思考。