《Cheap, Consistent, Calibrated, but Biased?》测试了 8 个概率输出的类型化决策模型（TDM）与 7 个 LLM 评审器，发现每个 TDM 在 12 项偏见测试中有 3-8 项存在偏差，其中情绪语气影响最大，准确率从 99% 暴跌至 42%。