一项颠覆认知的研究发现：让AI多"思考"，反而让它更容易出错。

加州大学圣地亚哥分校等机构的研究者们在arXiv发表论文（2605.06672），揭示了一个令人不安的现象：推理模型（如DeepSeek-R1）的位置偏差，竟与思维链长度正相关。

核心发现

研究人员测试了13种推理配置，包括DeepSeek-R1 671B超大杯模型。结果令人意外：思维越长，偏见越强。在最短思维序列中，偏差几乎为零；但到了最长序列，所有模型的 Position Bias Score 都显著上升。

这意味着什么？过去人们以为，让模型"慢慢想"能减少浅层偏见。数据证明：想得越久，立场偏斜越深。

机制解析

研究团队引入了一个关键指标：PBS（Position Bias Score）。他们发现，推理过程中存在"累积效应"——思维链越往后，模型越倾向于选择靠后的选项。这可能源于语言模型的注意力机制对序列位置的结构性敏感。

更有趣的是，研究者通过"截断-续写"实验提供了因果证据：从思维链后期恢复的输出，比早期恢复的输出偏移幅度高出近一倍（16%→32%）。

对行业的警示

这篇论文戳破了一个流行假设：思维链推理=更客观。现实是，CoT只是把原有的位置偏差，从"直接回答"模式，转化成了"长度累积"模式。

对于MCQ（多项选择题）评估场景，这意味着：推理模型的顺序鲁棒性不能想当然地默认。对AI辅助决策系统而言，这种隐性的位置偏好可能在高风险场景中造成系统性偏差。

评价

这篇研究方法扎实、结论反直觉。思维越长越出错这个结论，对当下大热的"推理时扩展"范式是一个值得重视的信号。