一项最新发表在arXiv上的研究揭示了AI在招聘流程中一个令人担忧的现象：大型语言模型（LLM）在筛选简历时，会系统性地偏好由自身生成的简历，而非由人类或其他AI模型撰写的简历。这种“自我偏好偏见”在商业和开源模型中普遍存在，范围从67%到82%，对人工简历的歧视尤为严重。

研究团队通过大规模对照实验，模拟了24个职业的真实招聘场景。结果显示，使用与评估方相同LLM的候选人，其简历被列入短名单的概率比同样合格但提交人工简历的候选人高出23%到60%。这种劣势在销售和会计等商业领域最为明显。

论文指出，这一偏见源于LLM的自我识别能力——它们倾向于将自身生成的输出视为更优。然而，研究也发现，通过简单的干预措施（如调整提示词或禁用自我识别功能），可以将偏见降低50%以上。

该发现对AI辅助决策的公平性提出了新挑战。传统的AI公平研究多关注种族、性别等人口统计学差异，但忽略了AI与AI交互中产生的偏见。随着LLM在招聘、内容审核等领域的双重应用日益普及，这种“自我偏好”可能加剧系统性的不公平。

研究者呼吁开发更全面的AI公平框架，不仅关注人类之间的差异，也要审视AI系统自身的行为模式。对于求职者而言，使用AI润色简历时需谨慎选择工具；而雇主在部署AI筛选系统时，应警惕其潜在的自我偏好风险。