文章主要内容和创新点主要内容本文聚焦大型语言模型（LLMs）在多项选择问答（MCQA）任务中的首因效应（primacy effect）——即模型倾向于优先选择排序靠前的选项。研究发现：微调会放大LLMs的首因偏差，可能是因为微调过程中模型接触了更多类人的模式；基于这一发现，提出一种无需知晓正确答案的优化方法：根据选项与查询的语义相似度对选项重新排序（按相似度降序排列），利用首因效应引导模型选择更可能正确的选项；实验表明，该方法在不同模型（如Llama系列、Mistral）和数据集（CLINC、BANKING、HWU）上均能显著提升MCQA任务的性能，且对近因效应（recency effect）的利用及两种效应的结合也能带来增益。创新点揭示微调与首因偏差的关系：首次明确证明微调会强化LLMs的首因效应，为理解模型偏差的来源提供了新视角；从“减轻偏差”到“利用偏差”：不同于传统的偏差缓解方法，提出主动利用首因效应提升性能的策略，通过语义相似度排序实现无监督优化；鲁棒性验证：该方法在多种模型架构和数据集上均有效，证明了其通用性和实用性。翻译部分摘要大型语言模型（LLMs）凭借广泛的预训练和微调，在许多自然语言处理（NLP