Self-Preference Is Weak or Absent in Verifiable Instruction-Following Revision: A Four-Model Test Under Genuine Authorship
指令遵循修订中自我偏好弱或缺失：四模型真实作者测试
🧭 LLM 自我偏好偏差评估
Tsinghua University
在可验证指令修订任务中，模型对自己文本的修正接受度与中立模型无显著差异，自我偏好不明显。
📌 工作参考价值（4 点）
- Agent 自修正流水线可放心使用确定性验证：当修正的正确性可由规则（如格式检查、字段完整性校验）自动判定时，模型不会因“作者身份”而抗拒改正，此场景下自我审查风险低。
- LLM 判定修正质量时仍需警惕自偏：本结论只适用于可验证修正；若修正优劣靠另一 LLM 判断，则自我偏好仍可能影响决策，应避免闭环自评。
- 要求模型解释拒绝原因可提升可控性：实验中拒绝修正时 97% 的理由是“挑错”，这提示在 Agent 拒绝建议后输出解释，有助于人工审核或后续自动过滤。
- 实验设计可复用到自改进评估：用确定性检查器作为 ground truth，避开 LLM 自评导致的循环偏倚，适合评估推荐文案生成、搜索 query 改写等模块的自修正效果。