研究发现
实验设计很巧：同样资历的候选人材料，一组保持人类原文，一组用 LLM 润色，再让模型来筛选。结果筛选模型系统性地偏好 AI 润色过的版本，哪怕实质内容相同。机制不难猜，模型对「自己那种」流畅、规整、高频词分布的文本天然打高分。论文称之为自我偏好（self-preference），并给出了跨模型的证据：各家模型都有这毛病，对自家生成的文本偏心得更明显。
对招聘双方的含义
这个发现把招聘军备竞赛的荒诞推到了明面：求职者不用 AI 润色简历，会在算法初筛里吃暗亏；人人都用，筛选层比较的就只是谁的提示词好，简历彻底失去信号价值。对企业的警示更严肃，自动化筛选不仅有老生常谈的人口统计偏见，还有这种全新的文本来源偏见，合规审计的清单又得加一行。短期内务实的建议是别让模型独自做淘汰决定，初筛权重调低、人工复核保留，至少等偏见有解再说。
via: Hacker News