随着大语言模型（LLM）在各类决策场景中的广泛应用，其在招聘领域的双向角色引发了学界关注——求职者用LLM优化简历，企业用LLM筛选简历，这种双重应用是否会导致LLM产生自我偏好偏见？近日一项发表于arXiv的实证研究给出了明确答案。

研究团队通过大规模受控简历对照实验，针对主流商业与开源LLM展开测试，结果显示，即便控制内容质量，LLM始终偏好自身生成的简历，对人类撰写或其他模型生成的简历存在明显偏见。其中，针对人类简历的偏见尤为显著，不同模型的自我偏好比例在67%至82%之间。

为评估该偏见对劳动力市场的实际影响，研究团队模拟了24个职业的真实招聘流程。结果显示，使用与评估方相同LLM生成简历的候选人，比同等资质但提交人类撰写简历的候选人，入围概率高出23%至60%。其中，销售、会计等商业相关领域的差异最为显著，人类求职者面临的劣势更大。

值得关注的是，研究团队还提出了针对性的干预方案：通过简单调整LLM的自我识别能力，可将这种自我偏好偏见降低50%以上。这一发现为解决AI辅助决策中的新风险提供了可行路径。

此前关于LLM自我偏好的研究多停留在理论层面，本次实证研究首次揭示了其在真实招聘场景中的具体影响，也提醒业界：AI公平框架需要进一步扩展，除了关注基于人口统计学的差异，还需重视AI与AI交互过程中的偏见问题，以确保AI辅助决策的公正性。