位置偏差（Position Bias）指模型或评审在判断时，受信息出现位置影响，而不是只依据内容本身。最直观的例子是：同一份答案放在 A 位或 B 位，评审结果可能改变。
大语言模型（Large Language Model, LLM）按顺序读入文本。训练数据、注意力机制和解码顺序，会让靠前或靠后的内容获得额外权重。打个比方：评委尝两道菜，先尝的那道留下第一印象，后尝的那道又可能因为“最新鲜”被高估；如果只看菜本身，本来不该有这种差别。成对评估里，把候选 1 放 A、候选 2 放 B，模型选 A；交换位置后它仍选 A，就说明它可能只是偏好 A 位，而不是候选 1 更好。常见表现有首选偏差、近因偏差，以及对 A/B 顺序敏感。
它和相邻概念不同：
| 偏差 | 触发点 | 例子 |
|---|---|---|
| 位置偏差 | 答案或选项的顺序 | 同一答案换到 A 位胜率变高 |
| 长度偏差 | 文本长短 | 更长答案被误判更好 |
| 谄媚偏差 | 用户立场 | 用户说错，模型跟着说对 |
| 自我偏好 | 答案来源 | 模型偏爱自己或同家族输出 |
实际意义很直接。做模型评测或用大模型当评审（LLM-as-a-judge）时，应把 A/B 位置随机化并交换评估，取两次结果的平均，或要求两次一致才计分；只评一次就下结论，很容易把位置偏好当成质量差异。产品里的排序、推荐、AI 词典：检索增强生成">检索增强生成（RAG）的上下文拼接，也会受位置影响：开头和结尾通常更容易被抓住，中间信息容易被忽略。对普通人来说，看简历、比方案、做选择同样有顺序效应，AI 给出的选项顺序也可能悄悄改变你的判断。具体评测规则和榜单方法，以官方页面为准。