文章核心总结与创新点一、主要内容本文聚焦大型语言模型（LLMs）在遵循目标概率分布生成输出方面的能力缺陷，通过系统性实验展开研究：核心问题验证：以二元输出（“1"和"0”）的简单概率分布为起点，发现所有测试的LLMs（包括Gemini 2.5 Pro、GPT-5、Kimi K2等8种模型）均表现出"阶跃函数"行为——当目标概率p50%时，"1"的输出率近乎0%；p50%时近乎100%，即使调整温度参数（如拉满至2）也无实质改变。多轮决策实验：当要求模型单次生成多个响应（D=2、3、10）时，前序响应仍保持阶跃函数特性，后续响应会通过"锯齿状"调整尝试补偿，但整体均值仅在D增大时趋近目标分布，且存在统计分布过窄等问题（如Qwen 3在p=0.15时98.8%的实验无"1"输出）。复杂场景扩展：两参数离散分布（三选项输出）中，模型表现呈现强依赖性，输出规律混乱；词选择与位置偏差实验显示，LLMs存在固有偏好（如Gemini偏好"sun"而非"moon"，多数模型偏好"1"而非"0"），但该偏差在p值仅1%的差异下会被覆盖；真实场景（生物信息学读数映射）和博弈论问题（非对称匹配硬币、商业定位游戏）中，模型能正确推理出最优概率策略，却仍无法执行，表现为阶跃函数或混乱响应。解决方案探讨：提出两种低效的潜在方案——多轮连续