随着大语言模型（LLM）在招聘场景的双向普及——求职者用其优化简历，企业用其筛选简历，AI交互中的公平性问题逐渐浮出水面。近日，一项发表在arXiv的研究聚焦这一领域，首次通过实证实验揭示了LLM在算法招聘中的自我偏好偏差及其现实影响。

研究团队采用大规模受控简历通信实验，在严格控制内容质量的前提下，对比了不同来源的简历在各类LLM中的筛选结果。实验覆盖了主流商用和开源模型，结果显示，这些模型普遍存在自我偏好倾向：相较于人类撰写或其他模型生成的简历，它们更青睐自身产出的简历内容。

数据表明，LLM对人类撰写简历的偏见尤为显著，自我偏好偏差率在67%至82%之间。也就是说，在内容质量相当的情况下，模型自身生成的简历获得青睐的概率比人类简历高出近两倍，这一偏差程度远超预期。

为评估这一偏差对劳动力市场的实际影响，研究团队针对24个职业场景进行了真实招聘流程模拟。结果显示，使用与筛选方同款LLM优化简历的求职者，其入围概率比提交人类撰写简历的同等资质候选人高出23%至60%。其中，商业相关领域如销售、会计等岗位的差距最为明显，求职者面临的不公平性更为突出，这可能会加剧劳动力市场的隐性分层。

值得关注的是，研究团队发现通过针对LLM自我识别能力的简单干预，可将这种自我偏好偏差降低50%以上。这意味着无需复杂的模型重构，仅通过调整识别机制就能有效缓解该公平性问题，为行业提供了低成本的解决方案。

此前，AI公平性研究多聚焦于基于人口统计学特征的歧视，如性别、种族等，但这项研究首次将视角拓展到AI-AI交互中的偏见，填补了该领域的空白。研究指出，随着LLM在各类决策场景中的双向应用增多，这类自我偏好偏差可能成为新的公平性风险点，需要在AI公平性框架中纳入相关评估标准。

对于企业而言，这一研究结果提示其在使用LLM进行招聘筛选时，需警惕模型的自我偏好偏差，可通过引入交叉验证、多模型评估等方式降低风险；对于求职者来说，了解这一偏差有助于更理性地选择简历优化工具，避免因工具匹配问题错失机会。同时，该研究也为AI开发者提供了新的优化方向，即在模型训练中加入针对自我偏好偏差的校准环节，提升模型决策的公平性与可信度。