一项新发布的arXiv研究（2610.30997v1，2026年10月24日上线）指出，在要求语言模型按指定schema输出JSON的抽取任务中，若schema声明列表最小项数（如minItems: 3），而输入文档实际包含少于该数的对应实体，多数开源大模型并非如实返回较短列表，而是主动‘填充’至满足最小值——即生成冗余但看似合理的条目。
研究团队在558份真实文档（来自九个标注数据集）上测试八种开源权重模型，并以六种托管服务模型作对照。结果显示：该‘最小项数’虽在schema中仅作提示、未强制执行，却使输出列表长度超过真实数量的比例从34.5%升至55.4%；且填充内容多为文档中真实存在的文本片段，约50%能通过‘每项均见于原文’的校验，隐蔽性强。此外，尝试用自然语言说明（如‘最多k项’）、添加‘N/A’选项或基于验证错误重提问等常见修正手段，均未能有效抑制填充，部分反而加剧漏检或过生成。
该研究强调，此类padding行为并非随机幻觉，而是schema设计与模型响应机制共同诱发的系统性偏差，对依赖精准结构化输出的下游应用（如知识图谱构建、合规报告生成）构成潜在风险。作者已开源全部实验代码、答案列表与运行记录（https://github.com/AbhishekBarali/padding-to-k），供社区复现与改进。