论文发现 LLM Agent 存在来源偏好，并测试两种缓解路径

端到端检索中，智能体是否会按来源偏向条目，该偏向能否压过需求满足，以及能否被减弱。

• 出现场景：作者称智能体已在决定展示哪些商品、住宿和论文。来源偏好会收窄用户选项，并让更好的条目因其来源被跳过；若选择再进入训练，已有偏好可能更强，曝光集中到受偏好来源（§1）。
• 已有工作的缺口：作者称已有工作提供了来源偏好的证据，但没有在智能体自行检索并选择的设置里检验（Dai et al., 2025; Khan et al., 2026; Schuster et al., 2026）。Khan et al. (2026) 比较的是语义相同、只换来源的少量条目；真实检索中各来源的内容和满足程度都不同。
• 测量混淆：作者指出，选择率更高可能只是该来源更满足需求，或出现在更有利的位置（Zheng et al., 2023; Allouah et al., 2025）。因此要在需求集合相同、位置固定时比较。
• 本文的测量与干预：在 12 个模型、三个领域上，用匹配比较和 Bradley–Terry 评分划分 SOURCE+、SOURCE−、SOURCE0；再检验来源标识本身是否改变选择，并用 DPO、补全缺失信息和系统提示看偏向如何形成、如何减弱。
• 所测行为：风险是智能体对 URL 可注册域的选择偏向，不是外部攻击者改写请求。比较在共享提示、ReAct 式检索—选择中进行，条目可多选。判定看选择差、偏好分，以及少满足一条需求时的倒置率。

附录 A 与引言把相关工作分成选择线索、智能体选择和供给方曝光。作者明确对比的，主要是语义相同内容上的来源实验，以及推荐列表内的曝光分配。

位置、权威与来源线索

• 选项顺序：Pezeshkpour and Hruschka (2024) 与 Zheng et al. (2024) 报告，改变答案选项顺序会系统性影响模型表现。引言另引 Zheng et al. (2023)、Allouah et al. (2025)，用来说明位置和条目质量会混淆来源比较。
• 权威与社会线索：Mammen et al. (2026)、Filandrianos et al. (2025) 考察权威、社会证明等线索如何移动选择。Li et al. (2025) 在检索增强生成中考察模型对信息来源的偏好。
• 本文如何使用：附录 A 把这些工作当作“线索会改变选择”的背景，没有逐篇给出与本文的差异。

智能体的来源与工具选择

• Khan et al. (2026)：在学术论文、新闻和购物中展示来源偏好。作者对比说，该工作用语义相同的内容配不同来源；本文是智能体自己检索形成条目集，内容和满足程度都不同（§1、附录 A）。
• 购物与工具：Cherep et al. (2026) 考察价格、评分和助推信息如何影响购物智能体。Blankenstein et al. (2026) 报告，功能等价的工具之间，选择与提供方以及工具在上下文中的位置有关。
• 冲突中的来源：引言把 Dai et al. (2025)、Schuster et al. (2026) 与 Khan et al. (2026) 并列，称已有证据尚未覆盖智能体自行检索并选择的设置。

供给方公平与曝光

• 多边曝光：Burke (2017)、Patro et al. (2020)、Mansoury et al. (2021) 把推荐公平写成多利益相关方问题：除服务用户外，还决定条目和供给方得到多少曝光。
• 对话式推荐：Deldjoo (2024) 报告，提示结构、系统角色和用户意图会影响 ChatGPT 推荐中的供给方公平和目录覆盖。
• 智能体推荐：Gong et al. (2026) 让条目自我推销、由平台重排，在用户效用、条目曝光和平台公平之间平衡。作者对比说，这些工作在推荐列表内量化曝光；本文问的是端到端网页检索中，来源偏好是否放过更满足请求的供给方，并测量劣势有多大、系统提示和偏好训练能否减弱它（附录 A）。

基线与请求集：自然检索没有外部方法基线。文中对照包括中性来源对 Inv0,0，来源隐藏、仅 URL 与原文，换标前后，DPO 的 Balanced、Aligned、Reversed，以及 Base、Same Price、General、Designate。请求来自 WebShop、HotelQuEST、ScholarGym；条目由网页检索现建，不用基准自带条目集（§2）。

作者将本文定位为：把来源偏好扩展到端到端网页检索，在需求满足相同且控制位置时测量偏好，并用内容固定的来源名对换，隔离所展示的显式来源信息（附录 A）。

先在真实检索轨迹里做需求匹配、位置对齐的来源比较，再固定条目、只改来源标识，最后用偏好训练和缺失信息干预看偏向从哪来、能否减弱。

检索流程与需求判定

• 循环与检索：12 个模型共用 ReAct 式循环。发出查询后，Tavily 返回至多 10 条，含标题、摘要、URL，平均 8.83 条。可多选，也可返回再查。一集至多 5 个环境动作、至多 3 次检索（§2、附录 B）。
• 来源：来源定义为 URL 的可注册域。比较的是轨迹中的曝光与选择。
• 请求：共 4,822 条。WebShop 1,500；HotelQuEST 786，其中 214 条原请求加 572 条只替换地点的变体；ScholarGym 2,536。只用基准中的请求，条目由检索现建（§2、附录 C）。
• 满足程度：Shopping 用 WebShop 的结构化需求。住宿与学术由 LLM 抽取可核验需求，抽取结果经人工审阅。评审只看标题和摘要，去掉 URL 与来源名。附录 D 写评审模型为 Qwen3.8-27B，并给出抽取与判定提示词。

匹配比较与偏好分

• 配对与轮换：同一列表中，不同来源且被判定满足的需求集合 q 相同的两条构成匹配对。长度为 L 的列表做全部 L 种循环轮换，使每条在每个位置各出现一次（§3）。
• 选择差：每个位置上，比较两条分别位于该位置时是否被选。D 取 1、−1 或 0，0 表示都选或都不选。一条都没选的轮次丢弃（附录 E）。
• 偏好分：对手组合不同，故用带 Davidson 平局项的 Bradley–Terry 模型估计评分 β_s，并中心化到平均来源为 0。相对该参照来源的期望选择差为 τ_s=(exp(β_s)−1)/(exp(β_s)+1+νexp(β_s/2))。作者举例，τ_s=0.10 表示预测该来源比参照来源多被选 10 个百分点。
• 分类：请求级聚类 bootstrap（B=10,000）检验 β_s=0，在每个模型×领域内把错误发现率控制在 5%。统计显著为正为 SOURCE+，为负为 SOURCE−，否则为 SOURCE0。作者写明 SOURCE0 是证据不足，不是偏好为零。少于 15 个不同匹配对的来源并入一个共享评分的对手（§3、附录 E）。

只改来源标识

• 显隐：同一结果列表三种条件（Table 2）。HIDDEN 去掉 URL，并遮住标题和摘要中的来源名；URL-ONLY 只恢复 URL；ORIGINAL 用 §4 的原文。来源标签固定为 §4 的分类。除 Gemini-3.7-Flash 外共 11 个模型。附录 G 给出重放协议和系统提示词。
• 换标：每个模型×领域取一条 SOURCE+、一条 SOURCE−，且需求判定向量相同，不只是标量分数相同。标题和摘要中的来源跨度先换成统一占位，来源只写在 URL 字段。原始指派与对换各呈现两种顺序，共四次（§5.2、附录 H）。T+−T− 是同一内容显示为 SOURCE+ 相对 SOURCE− 的选择率差。作者称内容和位置已平衡，若只偏好内容或位置，期望差为零。
• 生成设置：换标不重新检索，解析第一个动作为二选一。温度沿用自然轨迹：除 GPT-5.6-Luna 为 1 外为 0（附录 B、附录 H）。

训练配对与缺失信息

• 合成来源：Qwen3.5-9B、Llama-3.1-8B-Instruct、Tulu-3-8B-SFT，用 DPO 在两个商品中选一个。三对不熟悉的假来源，每对第一个为目标来源。偏好标签只看谁多满足一条需求。目标来源贴在更好条目上的比例，Balanced、Aligned、Reversed 为 50%、80%、20%，各 5,000 对。测试时两条满足程度相同（§6.1）。
• 如何计选择：附录 J 写明合成来源评测比较两个合法动作的条件对数概率，不采样；对数概率打平不算选中目标来源。§6.2 用同样三种比例，把 Amazon 与 eBay、Etsy、AliExpress 配对，但该节未另行写明选择率是采样还是对数概率。
• 缺失信息：§7 沿用 §5.2 的二条目、两种顺序，测五个模型在 WebShop 上 SOURCE+ 条目的选择率。Same Price 给两边加上相同且满足要求的价格。General 告知来源与价格无关；Designate 把低价预设指到 SOURCE− 零售商。附录 K 有用来源补价格的推理例子，此处不引原文。

实验设置

• 被测模型：自然检索为 GPT-5.4-nano、GPT-5.6-Luna、Gemini-3.7-Flash、GLM-5.3-Flash、DeepSeek-v4-Flash-0731、Llama-4-Maverick、Llama-4-Scout、Llama-3.1-8B-Instruct、Tulu-3-8B、Qwen3.5-27B、Qwen3-30B-A3B、Qwen2.5-32B-Instruct。DPO 另用 Qwen3.5-9B 与 Tulu-3-8B-SFT。§7 为其中五个：GPT-5.4-nano、Llama-4-Maverick、Llama-3.1-8B-Instruct、Qwen3.5-27B、Tulu-3-8B。
• 请求与检索：4,822 条，分领域见 §2。检索为 Tavily，topic=general、search_depth=basic、max_results=10。条目按返回顺序呈现，不重排。
• 对照：无外部攻击或防御基线。条件为 HIDDEN、URL-ONLY、ORIGINAL，来源对换，DPO 的三种配对比例，以及 Base、Same Price、General、Designate。倒置率以 Inv0,0 为参照。
• 指标：τ_s 是相对平均来源的期望选择差，文中多以百分点报告。Inv 是恰好选中两个条目之一时，选中较差条目的比例。换标报告 T+−T−。DPO 与 §7 报告选择率。
• 评审：按需求逐条二值判定，价格可为 unknown，无统一分数阈值。人工样本为 Shopping 375、Accommodation 375、Scholar 100，每条两名标注者（附录 D）。
• 重复与解码：每个列表做 L 次循环轮换。分类用 B=10,000 的请求级 bootstrap 与 FDR 5%。Fig. 3 每个点的比较次数中位约 2,000。除 GPT-5.6-Luna 温度为 1 外，温度设为 0、种子 42；附录 B 写明这不能保证 API 输出确定。论文未报告多种子重复。

主结果

下表是少满足一条需求时的倒置率。格子为 Inv+,− / Inv−,+（%），据 Table F.5。Gemini-3.7-Flash 的 Shopping 一格基于 39 次恰好选中其一的比较；其 Accommodation 的 Inv+,− 无配对。省略 GLM-5.3-Flash、Tulu-3-8B、Qwen3-30B-A3B、Qwen2.5-32B；这四者在 Table F.5 的 Inv+,− 为 59%–88%，不是全表最低或最高。

Swipe horizontally to read the table

模型	Shopping	Accommodation	Scholar
GPT-5.4-nano	54 / 3	72 / 7	68 / 1
GPT-5.6-Luna	92 / 0	69 / 3	69 / 2
Gemini-3.7-Flash	97 / 0	未报告 / 0	48 / 2
DeepSeek-v4-Flash	77 / 1	50 / 2	56 / 1
Llama-4-Maverick	91 / 1	56 / 5	57 / 1
Llama-4-Scout	80 / 0	93 / 3	64 / 2
Llama-3.1-8B-Instruct	66 / 10	65 / 13	65 / 8
Qwen3.5-27B	91 / 0	65 / 1	70 / 1

• 标签覆盖：作者称 12 个模型在每个领域都偏好一些来源并回避另一些（附录 Table E.1）。Table 1 的 12 个高频来源×12 模型共 144 格中，110 格为 SOURCE+ 或 SOURCE−，两组中位 τ 为 +15 与 −18 个百分点。这 144 格不是全部来源。
• 方向：作者称 Table 1 的 12 个来源里，10 个没有“一模型偏好、另一模型回避”。例外是 Amazon 与 eBay：GPT-5.4-nano 回避，其他模型偏好。12 个模型都偏好 Walmart，只有两个偏好 Target；十个偏好 Booking.com，一半回避 Expedia（§4.1）。
• 倒置：作者称来源偏好可让用户拿到满足更少需求的条目。跨模型–领域的中位为 Inv+,− 68%、Inv−,+ 2%、Inv0,0 19%，且该次序在各组合上成立（§4.2）。作者称每个领域里，多数模型的 Inv0,− 高于 Inv+,0。Figure F.1 图中文字按图例 Inv0,0、Inv+,0、Inv0,− 列出中位：Shopping 20%、35%、71%；Accommodation 19%、40%、50%；Scholar 18%、34%、41%。

来源标识是否改变选择

• 显隐：11 个模型上，从 HIDDEN 到 ORIGINAL，SOURCE+ 的 τ 平均升 5.8 个百分点，SOURCE− 平均降 5.9 个百分点，跨模型等权（§5.1）。作者称差距变宽主要发生在只恢复 URL 时；11 个模型中有 9 个，从 HIDDEN 到 ORIGINAL 的总变宽里，超过 80% 出现在这一步。Gemini-3.7-Flash 因推理成本未做该实验（附录 G）。正文未逐模型列出 Fig. 4 的端点。
• 换标：Table 3 的 T+−T− 在 12 个模型、三个领域都为正。Shopping 为 +19.2 至 +64.7 个百分点，最大为 Llama-4-Maverick；Accommodation 为 +2.5 至 +24.1；Scholar 为 +8.8 至 +21.4。论文报告至少在一个领域 p<0.01。Accommodation 上 Gemini-3.7-Flash +13.3、Llama-4-Scout +2.5、Llama-3.1-8B-Instruct +4.1 未标 p<0.01；Table H.1 的完整四臂配对数分别为 15、61、159。
• 作者解读：作者称，隐藏显式来源信息会减弱偏好，恢复 URL 和来源名会拉大 SOURCE+ 与 SOURCE− 的差距；内容固定时，把同一内容标成 SOURCE+ 而非 SOURCE− 会提高选择率（§5）。

偏好训练能否制造或减弱偏向

• 合成来源：Table 4 在三对假来源上平均。训练前与 Balanced 的目标来源选择率为 49.4%–51.0%；Aligned 为 70.1%–75.1%；Reversed 为 24.5%–28.5%。测试条目满足程度相同。附录 J 的计分是对数概率比较，不是采样。
• Amazon：DPO 前，三模型在等满足测试上对 eBay、Etsy、AliExpress 的 Amazon 选择率为 53.7%–62.7%。Balanced 移到 49.7%–51.9%，Aligned 升到 78.0%–82.5%，Reversed 降到 17.7%–25.3%（§6.2、Table 5）。该节未写明这一选择率的判定程序是否与附录 J 相同。
• 作者解读：作者认为，即使标签只取决于需求满足，反复把某来源配到偏好响应上也能造出来源偏好；改变这种配对可以减弱或反转已有的 Amazon 偏好（§6）。

缺失信息与系统提示

• 无干预基线：Table 6 在 WebShop 上报告 SOURCE+ 选择率：GPT-5.4-nano 68.8%，Llama-4-Maverick 95.7%，Llama-3.1-8B-Instruct 83.9%，Qwen3.5-27B 96.4%，Tulu-3-8B 87.6%。
• 两种干预：Same Price 使五模型都下降，降幅 2.8 至 28.3 个百分点。General 的变化为 −1.1 至 +1.3 个百分点；Designate 的下降为 7.4 至 22.5 个百分点（Table 6）。
• 作者解读：作者认为，补上缺失信息会减弱偏好，说明缺失信息会触发对来源的预设。作者称去掉预设几乎无作用，换成相反预设则会降低偏好；后者是对冲而非去掉原因，且需要知道哪个来源不受偏好（§7）。

其他消融与分析

• Fig. 2：每领域频率前 20 的来源中，32 个的多数标签为 SOURCE+ 或 SOURCE−；其中 27 个的 τ_s 在所有模型上同号。Scholar 的 SOURCE+ 为 14/17，Shopping 的 SOURCE− 为 6/8，Accommodation 为 6/7。
• 附录 I、11 个模型、每模型每领域前 20 来源：Pearson r 为 Shopping .778、Accommodation .598、Scholar .677；该截止下 33 个模型–领域组合的两种相关都为正。
• Table E.2：Bradley–Terry 在源对上的相关为 0.54–0.76，加权平均绝对残差为 0.02–0.06。
• 附录 E：惩罚 λ 取 0、0.01、0.1、1 时，没有来源在 SOURCE+ 与 SOURCE− 之间对调。
• Table D.1：Krippendorff’s α，人–人为 .72/.69/.67，人–LLM 为 .75/.74/.65（Shopping/Accommodation/Scholar）。Scholar 的人–LLM α 低于人–人。
• 作者称 Qwen 与 Llama 家族中较新模型在 Table 1 的 12 个来源上平均绝对偏好分更大；论文未给出该平均值（§4.1）。

作者指出的局限与后续方向

论文未专门讨论局限。

实验覆盖范围

• 自然检索：被测智能体为 §2 的 12 个模型。请求 4,822 条：WebShop 1,500、HotelQuEST 786（214 条原请求加 572 条地点替换）、ScholarGym 2,536（§2、附录 C）。检索经 Tavily，每集动作预算见附录 B。
• 来源显隐：覆盖除 Gemini-3.7-Flash 外的 11 个模型；附录 G 写明因推理成本省略 Gemini。正文给出跨模型平均变化，未逐模型列出 Fig. 4 的端点。
• 换标与倒置：换标按模型×领域报告。Accommodation 上 Gemini-3.7-Flash 的完整四臂配对数为 15（Table H.1）。Fig. 3 写明有一个点没有可比较的配对，对应 Table F.5 中该模型 Accommodation 的 Inv+,−。
• 训练与缺失信息：§6 的 DPO 使用 Qwen3.5-9B、Llama-3.1-8B-Instruct、Tulu-3-8B-SFT，请求来自 WebShop。合成来源的选择率在附录 J 用对数概率比较。§6.2 未另行写明 Amazon 选择率的判定程序。§7 覆盖 Table 6 的 5 个模型，设置是 WebShop 上价格信息缺失。
• 判定与解码：需求评审为附录 D 的 Qwen3.8-27B。人工核验为 Shopping 375、Accommodation 375、Scholar 100，每条两名标注者。温度除 GPT-5.6-Luna 为 1 外设为 0，种子 42；作者称检查了开源权重模型是否返回同一响应，论文未报告该检查的数值，也未报告多种子重复（附录 B）。来源分类用 B=10,000 的请求级 bootstrap 与 FDR 5%（§3、附录 E）。

这篇工作测量的是智能体在端到端检索里的来源偏好：满足相同需求、位置对齐时，仍系统性多选某些 URL 域的条目。

• 问题：作者关心智能体替用户选商品、住宿或论文时，来源会不会压过条目本身满足需求的程度，以及用户和不受偏好的来源会因此失去什么。
• 做法：把需求集合相同的条目做位置轮换，用 Bradley–Terry 得到偏好分并划分 SOURCE+、SOURCE−、SOURCE0。再隐藏或对换来源标识，用 DPO 改变来源与“更好条目”的配对，并在价格缺失时补信息或改系统提示。
• 偏向的范围：Table 1 的 12 个高频来源×12 模型共 144 格中，110 格为两端标签，中位偏好分为 +15 与 −18 个百分点。作者称方向大体一致；Amazon 与 eBay 是例外，GPT-5.4-nano 回避而其他模型偏好。
• 可压过一条需求：较差条目来自偏好来源、更好条目来自不受偏好来源时，中位倒置率 68%；反过来为 2%；中性对为 19%（§4.2）。
• 标识、训练与干预：11 个模型上，从隐藏恢复到原文，SOURCE+ 的 τ 平均升 5.8 个百分点、SOURCE− 降 5.9 个百分点（§5.1）。内容固定时，展示偏好来源的选择差在 Table 3 全部为正。三模型在等满足测试上，Aligned DPO 后目标来源选择率 70.1%–75.1%，Balanced 仍在 49.4%–51.0%（Table 4）。补上相同且合格的价格后，Table 6 的五个模型对偏好来源的选择率都下降。
• 作者的结论：作者认为智能体可把来源当作需求满足的捷径；补上缺失信息，或用提示改写对来源的预设，能减弱这种依赖。作者认为评测不应只看选了哪些条目，还应看来源身份如何塑造这些选择。