在AI应用领域，Prompt设计一直被视为提升模型表现的关键环节。无论是服装行业还是鞋履产业，从业者们都在不断尝试优化提示词结构。但最近有研究发现，一个看似微不足道的细节——示例在Prompt中的位置，竟然能显著影响模型输出结果。这项研究通过系统性实验揭示了位置偏见对AI性能的深远影响，为从业者提供了全新的思考视角。

这项研究由马里兰大学团队完成，他们通过严谨的实验设计，将原本被认为是"玄学"的Prompt位置问题转化为可量化分析的科学议题。实验结果显示，仅仅调整示例在Prompt中的位置，就能让模型准确率出现明显波动。在某些任务场景下，这种位置变化甚至会导致近一半的答案出现反转。

DPP偏见：Prompt中被忽视的"大象"效应

研究者首次提出DPP偏见（Demos' Position in Prompt bias）概念，指出示例在Prompt中的物理位置会系统性影响模型性能。这个发现颠覆了传统认知——过去人们普遍认为只要信息完整，模型就能自主理解重点。但实验表明，AI就像一个"一根筋"的学生，示例放置位置直接影响其学习效果。

以服装行业为例，设计师在给AI生成设计稿时，若将参考样例放在Prompt开头，模型会更倾向于模仿该样例风格；若放在末尾，则可能产生完全不同的设计方向。这种位置差异在需要稳定输出的生产环境中，可能引发严重后果。研究者特别指出，这种位置偏见直接影响AI产品的可复现性，是行业亟待解决的问题。

四种典型格式测量"位置"的影响

为验证位置偏见的普遍性，研究团队设计了严格的实验流程。他们保持示例内容和内部顺序完全不变，仅改变其在Prompt中的位置，通过多轮测试验证位置变化对模型表现的影响。这种控制变量法确保了实验结果的可靠性。

四种典型位置：您习惯将示例放于哪一种？

研究者基于最常见的"系统指令-用户对话"模板，定义了四种典型的示例位置，覆盖了绝大多数应用场景：

ssp（Start of System Prompt）：将示例放在系统指令最开头，相当于一上来就给模型"划重点"。这种位置适合需要强调关键信息的场景，比如鞋履设计中需要突出品牌特色。

esp（End of System Prompt）：示例放在系统指令末尾，相当于在交代完角色和规则后补充参考资料。这种位置适合需要逐步引导的复杂任务，比如服装设计中的多步骤流程。

sum（Start of User Message）：示例放在用户提问开头，这是最常见的使用方式。这种位置适合快速获取信息的场景，比如鞋履设计中的快速方案生成。

eum（End of User Message）：示例放在用户提问末尾，相当于先让模型理解问题再提供参考。这种位置适合需要深度思考的任务，比如服装设计中的创新方案。

关于System和user的使用方法，我曾在2023年详细探讨过。有兴趣的读者可以参考《别找了，第一性原理下的Prompt=SYSTEM信息+USER信息》这篇文章，它从认知科学角度解析了Prompt结构的本质。

两个关键评估指标

为全面评估位置偏见的影响，研究团队设计了两个关键指标。这两个指标不仅关注模型的准确性，更强调其稳定性。

准确率变化（Accuracy-Change, Δ_metric）：这个指标衡量示例位置变化对模型准确率的绝对影响。它帮助从业者直观了解位置调整带来的性能提升。

预测变化率（Prediction Change Rate）：这个指标反映位置变化对模型输出稳定性的影响。对于需要高一致性的场景，这个指标尤为重要。

位置偏见的深层原因

研究者从两个维度解释了位置偏见的形成机制：

1.架构的"原罪"：当前主流大模型基于Transformer因果解码器架构，采用自回归方式训练。这种结构使得模型在生成内容时，前面的信息会通过自回归掩码机制影响后续输出。更深入分析发现，模型中存在"归纳头"这种特殊注意力机制，会不成比例地关注序列早期的Token，就像人的"第一印象"一样。

2.训练数据的"惯性"：指令微调数据集本身就存在格式偏好，比如示例总是放在固定区域。模型在学习过程中会将这种格式偏好内化为隐性规则，导致面对不同结构时出现位置偏见。

这项研究为从业者提供了新的思路：在设计Prompt时，除了优化内容和结构，还要注意示例位置的合理安排。对于服装设计等需要稳定输出的场景，建议采用ssp或esp位置；而对于需要创新突破的场景，可以尝试eum位置。这种位置调整可能带来意想不到的性能提升。