你会走路去洗车吗？LLM 的"显著性偏差"暴露了常识推理的脆弱

问你一个问题：

我的车离最近的洗车场 50 米，我应该走过去洗车吗？

你大概会愣一下，然后说："等等，车怎么走？你不是应该开车去洗车场吗？"

但如果你把这个问 GPT-5.5、Claude-Opus-4.7 或 DeepSeek-R1，它们中的大多数会认真地帮你算"50 米步行需要几分钟"，完全忽略了一个基本常识——车不能走路，只能开。

这就是 2026 年 7 月一篇论文揭示的现象，论文有个挑衅的标题：Would You Walk to the Car Wash? Revealing the Salience Bias of Large Language Models in Commonsense Reasoning（arXiv:2607.28478）。

显著性偏差：被数字劫持的推理

论文给这个现象起了个名字：显著性偏差（Salience Bias）。

定义很简洁：模型会被输入里显眼的、具体的信息（比如数字）劫持，忽略掉隐含的、但更根本的常识前提。

50 米是一个显眼的数字，模型看到它就进入"算距离"模式，把"车要开不能走"这个常识压到了后台。这不是模型不知道车不能走，而是在显眼信息的强刺激下，常识被"挤"出了工作记忆。

研究者构建了一个基准 SaliTrap，包含四类陷阱：

1. 物理不可能（如让车走路）
2. 工具误用（如用微波炉加热金属）
3. 程序倒置（如先装电池再检查电压）
4. 因果错位（如先吃药再诊断）

每类陷阱都包裹在数字密集的"算术外壳"里，诱导模型进入计算模式。

12 个主流模型，无一幸免

研究者测了 12 个 SOTA 模型，结果让人咋舌。所有模型都显著地脆弱，而且脆弱程度和干扰数字的密度正相关——数字越多，模型越容易掉陷阱。

几个关键数字（HFR = 陷阱失败率，越高越糟）：

• DeepSeek-R1：HFR 61.5%（数学推理强反而让它更容易被数字劫持）
• Doubao-Seed-2.0：HFR 65.6%（最脆弱）
• Claude-Opus-4.7：HFR 45.1%
• GPT-5.5：HFR 27.2%（相对最好，但仍很高）
• GLM-5.1：HFR 30.3%

有意思的是：推理能力越强的模型，反而越容易掉进陷阱。DeepSeek-R1 和 Doubao-Seed-2.0 都是数学推理强者，却最容易被数字带偏。原因可能是：强推理模型更倾向于"认真算"，而认真算的前提是"题目合理"——一旦题目本身有常识陷阱，越认真算越偏。

知识缺失还是知识被压？

这是这篇论文最精彩的部分。

研究者问了一个关键问题：模型掉进陷阱，是因为它不知道"车不能走"，还是它知道但被数字压住了？

实验设计很巧妙：把陷阱题目里的"算术外壳"剥掉，只问模型"车能走路吗"这种纯常识问题。这叫"解放实验"（liberation experiment）。

结果惊人：三个模型中有三个在去掉陷阱框架后，超过 90% 的失败案例都答对了。即使是没有任何提示的纯常识提问（Cond-C），也能恢复 90% 以上的失败案例。

结论：这不是知识缺失，是知识被压。模型本来就知道车不能走，但在显眼数字的刺激下，这个知识被"挤"出了决策通路。

这和人类认知心理学里的一个经典现象同构：知识抑制 vs 知识缺失。一个 distracted 的司机不是不会开车，是注意力被手机吸走了。LLM 也是——不是不懂常识，是"注意力"被数字劫持了。

能用 prompt 修吗？

研究者试了。给模型加一段提示："请先检查任务前提是否合理"，能显著降低失败率，但远不能消除偏差。原因有二：

1. 检测到陷阱 ≠ 能避开陷阱。模型有时能识别"这题有问题"，但仍然按陷阱逻辑算下去——识别和执行是两个通路。
2. 数字密度效应：数字越多，prompt 干预的效果越弱。强刺激压过弱提示。

这说明：显著性偏差是模型架构层面的特性，不是 prompt 工程能根治的。根因可能在训练数据——训练数据里"数字+计算"的组合太常见，模型学到了"看到数字就计算"的强先验，这个先验压过了常识。

一个更深的洞察

这篇论文让我想到一个更普遍的现象：LLM 的"智能"和"愚蠢"经常是同一个机制的两面。

LLM 之所以能在数学、编程、逻辑推理上超越人类，是因为它学会了"抓住显眼线索，沿着线索推理"的模式。这个模式在数学题上是优势——数学题的显眼线索就是解题关键。

但这个同样的模式，在常识推理上是灾难——因为常识推理的关键线索往往是隐含的、不显眼的。模型抓住显眼数字，反而错过了隐含前提。

强推理能力 = 强被劫持能力。这不是 bug，是 feature 的代价。一个不会被数字劫持的模型，可能也不会做数学题。

这和人类认知的"双系统理论"形成对照：人类有 System 1（快速直觉）和 System 2（慢速推理），System 2 慢但能覆盖 System 1 的错误。LLM 似乎只有"被强化的 System 2"——它推理能力强，但没有 System 1 的"常识直觉"来兜底。

真正鲁棒的常识推理，可能需要的不是更强的推理，而是一个独立的"常识前提检查"模块——在进入计算之前，先问一句"这题本身合理吗"。这和人类"先想再算"的认知顺序更接近。

SaliTrap 基准的价值在于：它把 LLM 的这个盲区量化了，让"模型有多容易被显眼信息带偏"成为一个可测量的指标。在 LLM 越来越强、越来越被信任部署到生产系统的今天，这个指标比单纯的"准确率"重要得多。

论文链接：https://arxiv.org/abs/2607.28478
代码仓库：https://github.com/Wuzheng02/SaliTrap