arXiv 2026年10月5日该研究在三个领域用12个智能体模型开展端到端搜索，发现每个模型都偏好某些来源、回避另一些来源且彼此高度一致；当来自偏好来源的商品少满足一项需求、而更优商品来自非偏好来源时，前者约三分之二的情况下仍被选中，反向情形几乎不发生；隐藏来源信息会削弱偏好，重新标注为偏好来源会提高选中率；训练奖励更优商品可使来源成为需求满足的捷径，缺失信息会触发对来源的成见，补全缺失信息或用提示对抗成见可降低来源偏好。该研究在三个领域用12个智能体模型开展端到端搜索，发现每个模型都偏好某些来源、回避另一些来源且彼此高度一致；当来自偏好来源的商品少满足一项需求、而更优商品来自非偏好来源时，前者约三分之二的情况下仍被选中，反向情形几乎不发生；隐藏来源信息会削弱偏好，重新标注为偏好来源会提高选中率；训练奖励更优商品可使来源成为需求满足的捷径，缺失信息会触发对来源的成见，补全缺失信息或用提示对抗成见可降低来源偏好。12个LLM智能体在三个领域的端到端搜索中一致偏好特定来源，偏好可压过需求满足度，隐藏来源或补全信息可削弱该偏好该研究在三个领域用12个智能体模型开展端到端搜索，发现每个模型都偏好某些来源、回避另一些来源且彼此高度一致；当来自偏好来源的商品少满足一项需求、而更优商品来自非偏好来源时，前者约三分之二的情况下仍被选中，反向情形几乎不发生；隐藏来源信息会削弱偏好，重新标注为偏好来源会提高选中率；训练奖励更优商品可使来源成为需求满足的捷径，缺失信息会触发对来源的成见，补全缺失信息或用提示对抗成见可降低来源偏好。该研究在三个领域用12个智能体模型开展端到端搜索，发现每个模型都偏好某些来源、回避另一些来源且彼此高度一致；当来自偏好来源的商品少满足一项需求、而更优商品来自非偏好来源时，前者约三分之二的情况下仍被选中，反向情形几乎不发生；隐藏来源信息会削弱偏好，重新标注为偏好来源会提高选中率；训练奖励更优商品可使来源成为需求满足的捷径，缺失信息会触发对来源的成见，补全缺失信息或用提示对抗成见可降低来源偏好。