“You Are Rejected!“: An Empirical Study of Large Language Models Taking Hiring Evaluations

一、文章主要内容总结

本文围绕大型语言模型（LLMs）能否通过科技公司招聘评估这一核心问题展开实证研究，通过标准化职业评估问卷对12款主流LLM（包括GPT-4o、GPT-5-chat、DeepSeek系列、Qwen系列等）进行全面测试，重点探究三个研究问题：LLMs能否通过招聘评估、不同LLMs是否呈现独特人格画像、LLMs能否生成合理招聘建议。

研究采用量化（RMSE、皮尔逊相关系数）与质性分析结合的方法，对比模型响应与企业参考答案、人类志愿者回答的差异。核心发现包括：

1. 所有受测LLM均未通过招聘评估，其回答多偏向理想化，与企业实际偏好存在显著偏差，且对正向/负向问题的区分能力不足；
2. 除Qwen3-32B外，多数LLM呈现高度相似的人格画像，反映出模型从训练数据中捕捉到的潜在共性模式；
3. LLM无法生成具有鉴别力的招聘建议，存在过度正向评价倾向（无“不推荐”结果），且难以理解问题情感倾向与岗位需求的复杂关联。

二、文章创新点

1. 研究视角创新：首次从“求职者”和“HR管理者”双视角切入，探究LLM在招聘评估全流程中的表现，填补了现有研究多聚焦于LLM招聘偏见（雇主视角）的空白；
2. 研究场景拓展：突破LLM在代码评估等技术任务中的应用研究，将场景延伸至非标准化的人格特质招聘评估，揭示了LLM在实用场景中的能力边界；
3. 多维评估体系：构建“量化指标（RMSE+相关系数）+ 质性分析 + 人类对照实验”的综合评估框