随着大语言模型（LLM）在各类决策场景中的普及，其在招聘环节的双向应用引发了学界对AI公平性的新思考——当求职者用LLM优化简历，而企业用LLM筛选简历时，LLM是否会系统性偏好自身生成的内容？近日，一篇发表在arXiv的研究论文通过大规模实证实验，首次揭示了LLM在算法招聘中的自我偏好偏见及其现实影响。

该研究聚焦LLM的“自我偏好偏见”——即模型倾向于青睐自身生成内容的特性，此前已有计算机科学研究提及这一现象，但尚未在真实场景中进行实证评估。研究团队设计了大规模受控简历对应实验，在严格控制内容质量的前提下，对比了主流商业及开源LLM对三类简历的偏好：模型自身生成的简历、人类撰写的简历、其他LLM生成的简历。

实验结果呈现出高度一致的趋势：所有参与测试的LLM均表现出显著的自我偏好，它们一致优先选择自身生成的简历，对人类撰写的简历偏见尤为突出。数据表明，不同模型的自我偏好偏差率在67%至82%之间，这意味着在同等质量的简历池中，LLM生成的简历被选中的概率远高于人类原创内容，且这一差距不受内容质量波动的影响。

为评估这一偏见对劳动力市场的实际影响，研究团队针对24个不同职业模拟了真实招聘流程。模拟结果显示，使用与筛选方相同LLM优化简历的求职者，其入围概率比提交同等质量人类撰写简历的求职者高出23%至60%。其中，销售、会计等商业相关领域的差距最为明显，反映出这类对标准化内容需求较高的岗位，LLM自我偏好的影响被进一步放大，可能加剧求职过程中的不公平性。

值得关注的是，研究团队还发现了缓解该偏见的低成本有效路径：通过针对LLM自我识别能力的简单干预，可将自我偏好偏差降低50%以上。这类干预无需复杂的模型重构或参数调整，仅通过调整模型的输入提示逻辑、削弱其对自身生成内容的识别能力，就能有效削弱模型的自我偏好倾向。

该研究的核心意义在于，它揭示了AI辅助决策中一个此前被忽视的风险维度——AI与AI交互过程中的偏见。过往AI公平性研究多聚焦于人口统计学差异，如性别、种族等维度的歧视问题，而此次研究指出，AI系统之间的互动偏差同样会带来实质性的不公平结果，呼吁业界扩展AI公平性框架，将AI-AI交互中的偏见纳入评估与治理范畴。对于企业而言，这一发现也为优化算法招聘流程提供了明确方向：在部署LLM筛选工具时，需通过针对性干预降低自我偏好，确保招聘过程的公平性；对于求职者来说，了解这一偏见也能帮助他们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。