AMEL：累积消息对LLM判断的影响

大语言模型常被用作自动评估器：审查代码、审核内容或给输出打分，且常常是许多条目在同一对话中依次处理。我们追问先前对话历史的极性是否会使后续判断产生偏差，并将这一效应称为LLM判断中的累积消息效应（AMEL）。在对来自5家提供商（OpenAI、Anthropic、Google、DeepSeek及四个开源模型）的12个模型进行的84,088次API调用中，我们将相同的测试条目单独呈现，或置于以正面或负面评价为主的历史之后。模型会向对话的主导极性偏移（d = -0.17，p < 10^-53）。该效应集中在模型基线真正不确定的条目上（高熵条目d = -0.36，而基线确定时为d = -0.15）。偏差不随上下文长度增长：前5轮与前50轮产生相同偏移（Spearman |r| < 0.01；OLS斜率p = 0.80）。并且存在负面不对称：按条目配对，负面历史诱发的偏差是正面的1.52倍（t = 13.03，p < 10^-36，n = 2,733）。扩大模型规模有缓解但不解决问题（Anthropic：Haiku -0.22到Opus -0.17；OpenAI：Nano -0.34到GPT-5.2 -0.17）。三项后续实验进一步收窄了机制解释。Token概率分布是连续偏移的，而非在某个阈值处突变。负面不对称兼有token级与语义成分，不过在我们的样本量下，对两者占比的归因仍属探索性。位置无关紧要：在50轮历史中任意位置放入五个带偏见的轮次都产生相同偏移。对评估流水线而言，最简单的修复是每个条目使用全新上下文；当批处理不可避免时，平衡历史内容也有帮助。