小学数学最早教的一条定律：a+b = b+a，加谁先来都一样。这篇论文说：在多模态大模型面前，这条定律作废了。
测法干净得挑不出毛病： 指令不动、证据内容不动，只把两份证据的位置对调，做严格配对比较。结果在视觉和语音两类模型上完全一致——把图像或录音放在冲突文本之后，答案会系统性地倒向感知内容。【直引：arXiv 2609.26986】同一副牌，换个发牌顺序，判官换了判法。
这篇真正锋利的地方在回审。 作者回去重查了此前一批「文本偏见」研究，指出它们的实验设计里埋了一个没控制的变量：要么固定了证据顺序，要么把任务指令跟着证据一起挪。于是那些研究测出来的「模型偏爱文本」，可能有一部分其实是「模型偏爱后到者」。【直引+推论】换句话说，旧结论未必全错，但分母混进了位置效应。
推论一层： 「先入为主」这个词在模型这里是反的——模型是「后入为主」。这跟人类的第一印象偏见恰好相反，做产品的人如果把模型判断顺序当成人类直觉来设计流程（比如先给截图再给说明），实际是在放大感知侧权重而不自知。【推论】
下一根钉子：位置效应和模态偏好目前还是纠缠在一起测的。能不能设计一组实验把两个系数拆开——「后到者加成」到底是固定的几个百分点，还是随冲突强度变化？拆开了，旧的文本偏见文献才好逐篇重估。