标题：新框架Pos2Distill破解AI位置偏见问题

正文：
语言模型常因对不同上下文位置的敏感度不一致而出现“位置偏见”，导致其在复杂推理、长文本理解和评估任务中表现受限。例如，模型在对比选项时往往偏向首个答案，影响了公正性。

为解决这一问题，研究团队提出了创新框架Pos2Distill，通过“解铃还须系铃人”的方式，将模型在优势位置的能力迁移到劣势位置，从而缓解位置偏见。团队设计了两种方案：Pos2Distill-R1针对检索任务，Pos2Distill-R2专注于推理任务。

在检索任务中，位置偏见表现为“词元偏移”，即模型生成的答案仅在关键位置出错。Pos2Distill-R1利用KL散度损失提供细粒度纠正信号，显著提升了长文本检索的一致性。实验显示，在WebQ数据集上，Llama-3-8B模型的平均准确率从57.9%提升至56.7%，接近最佳位置的表现。

在推理任务中，位置偏见会导致“思维偏移”，影响推理链条的完整性。Pos2Distill-R2通过蒸馏优势位置的优质推理轨迹，指导劣势位置的推理过程。实验表明，该方法在MusiQue和HotpotQA数据集上分别实现了42.8和58.3的精确匹配得分，超越现有基线。

此外，两个系统表现出跨任务泛化能力：Pos2Distill-R1在增强检索能力的同时改善了推理表现；Pos2Distill-R2则通过提升推理熟练度增强了检索性能。尽管如此，两者在各自专长领域仍表现更优，表明针对不同任务设计专门方案的必要性。

论文地址：https://arxiv.org/abs/2508.15709
开源地址：https://github.com/AMAP-ML/Pos2Distill