LLM智能体来源偏好研究：偏好可压过条目质量
先了解这件事
2026年10月5日，arXiv cs.CL 发布一篇论文，研究 LLM 智能体在端到端搜索中的来源偏好：在购物、订酒店和引用论文三个领域测试12个智能体模型，发现每个模型都偏好某些来源、回避另一些来源，且各模型偏好大体一致。同日 AGI Hunt 报道称该研究来自首尔国立大学，并给出量化结果——来自偏好来源但少满足一条要求的商品，约三分之二概率胜过来自非偏好来源的更优商品，反向情况几乎不发生。10月7日 AGI Hunt 再次报道，称该论文题为《Source Preference in the Wild》，指出智能体集体偏爱 Booking.com 等特定信源，信源因素甚至可能压过商品质量本身，论文同时提出可通过 prompt 对这类系统性偏好进行反制。目前进展止于该论文及上述报道，未见复现或后续工作。
AI 根据报道生成 · 54 分钟前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AGI Hunt研究发现 LLM Agent 存在系统性信源偏好
arXiv 论文《Source Preference in the Wild》系统研究了 LLM Agent 在端到端搜索中的信源偏好，覆盖 12 个 agent 模型。这些 agent 集体偏爱 Booking.com 等特定信源，信源因素甚至可能压过商品质量本身。论文同时提出可通过 prompt 方式对这类系统性偏好进行反制。
- arXiv cs.CLLLM 智能体如何按来源偏好挑选条目，以及怎样减少这种偏好
一篇 arXiv 论文研究 LLM 智能体在端到端搜索中的来源偏好，在三个领域测试 12 个智能体模型后发现，每个模型都偏好某些来源、回避另一些来源，且各模型偏好大体一致。
- AGI Hunt首尔国立大学研究：LLM Agent 的来源偏好可压过条目本身质量
首尔国立大学团队研究 LLM Agent 在端到端搜索中的来源偏好，测试了 12 个 agent 模型在购物、订酒店和引用论文三个领域的表现。同一位置比较满足相同要求的不同来源条目时，每个模型都偏好某些来源、回避另一些，且各模型对好坏来源的判断高度一致；来自偏好来源但少满足一条要求的商品，约三分之二概率胜过来自非偏好来源的更优商品，反向则几乎不发生。
本事件热度走势
当前热度 10·可比范围峰值 13（10月6日 02:00）·近 24 小时可比范围变化 +12%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。