随着大语言模型（LLM）在各领域的广泛普及，其在招聘场景中的应用也愈发普遍——求职者常借助LLM优化简历，而企业则用LLM完成简历筛选工作。这种双向使用模式引发了一个关键问题：LLM是否会系统性地偏好与自身输出相似的内容？近日一项发表于arXiv的研究针对这一问题展开了实证分析。

研究团队通过大规模受控简历对照实验，在控制内容质量的前提下，测试了多款主流商用及开源LLM的表现。结果显示，无论模型类型如何，LLM均一致偏好自身生成的简历，对人类撰写或其他模型生成的简历则存在明显偏见。其中，针对人类简历的偏见尤为显著，不同模型的自我偏好率介于67%至82%之间。

为评估该偏见对劳动力市场的实际影响，研究团队进一步模拟了24个职业的真实招聘流程。模拟结果表明，使用与评估方同款LLM生成简历的候选人，其入围概率比提交同等资质人类简历的求职者高出23%至60%。其中，销售、会计等商业相关领域的求职者受到的影响最为显著，劣势差距最大。

值得注意的是，研究团队还发现了缓解该偏见的有效方法：通过针对LLM自我识别能力的简单干预，可将自我偏好偏见降低50%以上。这一发现为解决AI辅助决策中的此类问题提供了可行路径。

该研究指出，这种AI自我偏好偏见是AI辅助决策中一个此前被忽视的新兴风险，现有的AI公平性框架多聚焦于人口统计层面的差异，而AI-AI交互中的偏见同样需要被纳入考量。未来，相关领域需要扩展AI公平性的评估维度，以确保AI辅助决策的公正性。