让 AI 当评委时，有些评测只偷看它开口前最倾向输出的第一个字符，就当成最终裁决。这样便宜，但像在裁判刚张嘴时就替他填好答案：论文发现，模型尚未决定选谁时，这种读法会把它强行塞进“A”或“B”，而且往往锁定排在前面的回答。
研究者比较了两种做法：一是读取首个 Token 的 Logits——模型选择下一个词前给各候选项的原始倾向分数；二是让模型完整生成，再从文字中提取结论。交换两个候选回答的位置后，前一种做法在所有受测条件下都报告了更高的位置偏差，因此相关数字更像上界，而非模型真实判断。更微妙的是，少数模型即使先输出了合法选项，随后推理也会改判。
这主要会误导“评委是否公正”的审计，而对普通准确率影响较小。作者建议至少同时报告模型有多常一开口就给出裁决；不过关键差异主要在 Qwen3 上得到充分观测，其他模型因几乎总能直接作答，样本不足以独立复现。