2018 — 2026蒸汽教育 · 八周年

AI 筛简历,会更喜欢 AI 写的简历吗?原论文里的 82% 怎么读

一条 X 帖把模型的自我偏好写成了真人简历的拒绝率。对照原论文,看看实验测了什么,以及求职者该怎样修改简历。结合原文说明模型偏好如何测量,并给出求职者可以验证的简历改稿和投递方法。

求职研究者观察天平两端的简历,浅蓝简历的一端略向下

检查 AI 修改过的简历

带上目标岗位和两版简历,一起核对关键信息、项目证据与岗位用词。

同一份实习经历,让大模型润色一遍,再让它来挑简历,它会更青睐自己的写法吗?这个问题确实有人研究。X 上一条帖子把论文里的 82% 写成了“人写的简历有 82% 被 AI 招聘工具拒掉”。如果按这个解释行事,很容易把准备时间都用来猜公司用了哪家模型。

82% 在实验里指什么

Xu、Li 和 Jiang 的研究在控制内容质量的条件下,比较大语言模型对人写简历、由自己生成的版本,以及由其他模型生成的版本的偏好。2026 年 6 月修订稿摘要报告,比较模型自己的输出和真人写作时,测到的自我偏好在不同模型之间约为 67% 至 82%。作者还跨 24 个职业做了招聘流程模拟,估算这种偏好可能怎样改变入围机会。

这两个结果来自不同环节。前一个数字对应受控的模型比较,后一个是设定好的招聘模拟。都没有对一家雇主后台实际收到的全部申请计数。想判断某次落选原因,还需要知道该公司怎么筛、简历命中了哪些要求、岗位当时是否仍招人。单靠一篇论文拿不到这些信息。

你可以检查哪三件事

先把简历导出成可选中文字的文件,复制到纯文本里读一遍。看公司、岗位、日期和正文是否被按预期读出来。再打开 JD,挑两三项实际工作,看简历能否指出你做过的同类事。例如“维护报表”对应亲手更新过哪张表、怎样检查异常、谁使用结果。最后才调语言,优先替换含义相同但表达生硬的词。

假设原句是“参与销售报表维护”,AI 改成“主导营收分析,推动转化率提升 20%”。若你实际只负责核对每周订单,能写的是“每周核对订单表和退款表,标记待确认记录并交给运营同事复查”。有可查的处理量或节省时间再补。写完现场讲一遍,看细节能否经得起“你做了哪一步”和“怎么知道没算错”这两个追问。

什么时候值得调整投递策略

按同类职级、地点和资格条件记录一批申请。标明渠道、投递日期、简历版本和有没有进初筛。若大部分申请连硬条件都够不上,先换岗位范围。若一类职责在面试中反复被追问,就补这一项的可讲证据。单次没回信包含的信息很少,把变化和后续结果放在一起看,更容易知道下一轮该改什么。

先问研究比较的是什么

论文里有一种比较方式,是把同一背景的人放在不同写法下比较。这个安排有助于排查文字风格是否独立影响模型的判断。如果研究直接拿两个不同求职者的简历比较,岗位经验、学位和所处行业同时在变,就很难判断偏好来自什么。受控设计缩小了变量,也缩小了能直接外推的范围。例如,一份入职申请的编程题分数、推荐人反馈、地理位置和实际可到岗日,和简历的语句风格属于不同信息,不能用这里的百分比一笔带过。

求职者还应看“被偏好”与“被淘汰”怎样定义。假如两个版本的材料内容相近,模型总在两者中选择其一。被排在后面的文档依然可能超过企业的初筛线。反过来,在名额有限的流程里,即使评分差很小,也可能影响排序。论文做的模拟正是为了研究这类差异可能产生的后果。要知道某个用人团队的实际情况,仍需知道它有没有用模型评简历、评分在哪一轮发挥作用、有多少份有效申请,以及团队如何处理人工复核。

文章或视频转述“高达多少”时,最好直接打开对应版本的摘要和结果表,看它属于哪组模型和对照、是比例还是相对变化。看到“更可能进入候选名单”,还要问这个名单是研究模拟出来的,还是雇主真的发过邀请。这样能保留对算法偏差的关注,也避免多出一套无法验证的投递规则。

现场做一次改稿对照

拿一份真实 JD 和上一轮实际交过的简历,先给自己的材料加三类标记。第一类是可以展示的工作结果,例如报告链接、测试样例或复查记录。第二类是你确实做过但暂未写清的过程,例如和数据负责人确认口径。第三类是只听过或练习过的技能。给工具的任务可以限定为“仅根据前两类调整表达,每条改动后列出所依据的事实”。修改完保留原句,让自己有能力回到更准确的说法。

一份商业分析实习 JD 如果要求协调数据口径,而你只在课堂项目里做过缺失值处理,可以把真实项目写成“记录缺失值比例并比较两种处理下的结果”,再讲你没有在实际团队里统一过口径。如果曾通过邮件向小组说明指标来源,可以按实际范围补上沟通动作。这样给读者留下两个能核实的信号,分别是数据判断和沟通。它与暗示自己负责过公司级指标治理相去很远。

最后用两道问题检查改过的句子:“这件事当时用什么材料能证实?”“如果对方问起一个异常情况,我记得自己怎么处理吗?”答得上来的内容再放进提交版。被改成了自己平时不会用的术语,也可以换回自然的说法,前提是保留岗位读者需要的意思。

如果你怀疑筛选有问题

先确认材料正常提交、收到回执、职位编号正确。如果一个团队公开了筛选流程或申请者支持入口,按它的说明询问。可以问“我的申请材料是否完整”和“岗位是否仍在处理申请”,通常比直接质问对方使用了哪家模型更容易得到可执行回复。对方无法提供原因时,记录为未知,停止依赖这个单点反馈做决定。

对于有作品入口的岗位,可以同时改进人能直接看到的材料。一页简历里留下一个无需登录的项目入口,打开后先看到你做的任务、环境和结果。在学校活动、校友引荐或招聘开放日遇到负责人,也只讲一项与岗位相关的真实经历。把求职过程建立在自己能管理的输入上,会比观察一条流传数字后改变所有写作习惯更稳。

用一页记录追踪真实反馈

比如你找的是初级运营分析岗。把一组实际可申的职位放在一张表里。条件相似的岗位分在一起,独立写申请日期、渠道、工作资格、自己用的简历稿和雇主反馈。若一周内只有两份申请收到邀请,可以先看这两份在哪些真实条件上共同符合。可能恰好都需要你做过的对账工作,也可能来自同一位校友的介绍。比较原因需要等更多信息,先别把区别归到行文像不像 AI。

已有面试时可以反查材料。对方指出课程实践与项目工作经验不一样,就考虑把分类标得更明确,另找真正有初级岗位的招聘。面试连着追问一项技能时,把该部分的工作范围加在正文最容易看到的位置。下一轮只改变这个主要因素,保留实际递交的版本。这样做无法查出雇主算法细节,却能帮你升级可以反复使用的求职证据。

如果想进一步读论文,先保存引用的版本号。早期会议版本与后续修订的模型范围和数值表述可能不同。把研究对象、对照组和版本一起记下,转述数字时就能说明它具体来自哪里。

常见问题(FAQ)

应该猜雇主用哪家 AI 再重写简历吗?

更值得先检查岗位资格和真实经历。外部候选人通常看不到公司筛选工具的具体模型和设置。

用 AI 改完怎么发现它添了经历?

保留前后两稿逐句比较,把新增数字、工具、职责和结果对回可核对的原材料。

看到 AI 写法在实验里得分更好,我可以依样改吗?

可以尝试让表达更清楚,并核对新稿有没有增加未经证实的数字或职责。实验结果无法决定实际雇主的偏好。

参考资料与官方说明
检查 AI 修改过的简历

带上目标岗位和两版简历,一起核对关键信息、项目证据与岗位用词。