本研究探讨了大型语言模型在多项选择题中的选择偏见，提出了PriDe方法以减轻这种偏见。通过计算先验分布，PriDe在无标签情况下提高了模型的效果和效率。研究分析了选项顺序对模型鲁棒性的影响，并提出了校准预测的方法，显著提升了模型性能。此外，研究发现文本答案在干扰和选项顺序变化时更具鲁棒性，强调了对大型语言模型评估和改进的必要性。