一句话定义：在模型评测或偏好训练中，评分方（人或另一个模型）系统性地给更长的回答打更高分，即使它并不更准确、更切题。
它从哪来
人类是第一个源头。面对两个答案，一个三行、一个三十行，三十行的看起来"更认真、更全面、更努力"，哪怕它只是把同一句话换着说法重复。标注员写偏好数据时，这种直觉会被原样写进数据集。
第二个源头是模型评委。用大模型给回答打分时，它从人类偏好数据里学到了同样的口味。长回答里包含更多"看起来正确"的表述，更容易命中评审的模糊标准。于是形成循环：训练时奖励模型（reward model）偏长 → 策略模型学会凑字数 → 新一轮数据里长回答又获胜。
打个比方
像作文阅卷。两篇作文思路一样，一篇写满两页，一篇只有半页。老师即便嘴上说"只看内容"，手上还是容易给写满的那篇多一分"态度分"。时间一长，学生全学会了把话说长。
容易混淆的几个概念
| 概念 | 谁偏心 | 典型表现 |
|---|---|---|
| 长度偏差 | 评分方偏长 | 啰嗦的答案胜率高 |
| 位置偏差（position bias） | 评分方偏前 | 排在 A 位的答案更容易赢 |
| 自我偏好（self-preference） | 评委偏自己 | 给自己写的答案打分更高 |
| 冗长（verbosity） | 模型自身习惯 | 重复、堆砌、加废话 |
注意最后一行：冗长是"输出特征"，长度偏差是"评分误差"。前者是症状，后者是病因之一。两者常同时出现，但修法完全不同。
对从业者的意义
做评测时，长度是最该控制的干扰变量：配对比较尽量让两边长度接近；打分时把长度作为回归项扣除，或做长度归一化；人工评审前给出明确评分表，只问"事实对不对、有没有答到点"。做偏好训练时，看一眼正例是否普遍比负例长，是发现该偏差最快的信号。公开榜单的具体口径请以官方页面为准。
对普通人的意义
把"长"和"好"分开。一个回答写了八百字，可能只是没想清楚；先看它有没有在前两句直接回答你的问题。反过来，你可以主动约束："50 字以内回答""只给结论"。多数模型都能照做——这恰恰说明，它们有能力简短，只是默认不简短。