在 30,384 次简历评估中，一项经同行评审的偏见审计把性别效应定在 d=−0.00（p=0.97），黑人—白人对比定在 d=+0.03（p=0.29）。这不是"不显著"——而是形式上等价于零，性别零假设在 |d|=0.035 的界限内依然成立（Pavlopoulos, Analytics, 2026）。随后同一研究把评分量表换成一句随意的、凭直觉的指令，把候选人经验严格保持不变，于是对更早毕业队列 d=0.41 的偏好又从窗户溜了回来。
模型是干净的。提示词不是。而你的偏见审计测的是模型。
这个落差就是全部的运营要点：供应商交给你的那份文件，认证的对象并不是真正在做筛选决策的那个东西。决策由一个模型加上一条指令加上一个上下文窗口共同作出，而三者中只有一个被审计。
这项审计是为了推翻自己的零结果而设计的
多数大语言模型公平性研究只测一个条件就下判决。这一项把稳健性本身当作研究对象，所以它的零结果值得细读，而不是归档。
三个经指令微调的模型通过各自 API 接受评估：Gemini 2.5 Flash、Gemini 2.5 Flash-Lite，以及开放权重的 Llama 3.1 8B Instruct——有意覆盖托管商业层级与自托管路径。评分采取参照锚定而非绝对标度，因为 0–100 的绝对标度会把检测任何差异所需的方差压掉：在试点运行中几乎每份简历都落在 95 附近。于是每位候选人改为对照同一职业的固定中性参照进行评分，这让分数重新获得 12 到 18 分的离散度。采样温度为 0.7，每个单元格做重复评估，因此效应是对照单元格内真实变异度来衡量的，而不是对照单一的确定性输出。
三个设计选择让这个结果难以被挥手带过。
一个真正起作用的阳性对照。 三个模型都把中级候选人与初级候选人区分开，d 分别为 3.40、3.21 和 1.93。该工具可被证明读得出质量，因此人口统计学上的零结果不能被当作"量具失灵"打发掉。资历效应比人口统计学效应大了约两个数量级。
等效性检验，而非缺乏显著性。 每一项核心对比都在 |d|=0.2 的界限上以 p<0.001 拒绝了 TOST 零假设，实际达到的边界为：性别 0.035，亚裔—白人 0.056，黑人—白人与西语裔—白人分别为 0.080 与 0.085。资历对照返回 TOST p=1.000，确认该程序不会去认证真正很大的效应。
刻意挑拨。 研究三削弱了候选人、放松了提示词，并在前面加上关于一支紧密团结、高能量团队的文化契合表述。这个操纵是生效的：边缘简历平均得 32.5，完整简历为 67.6，落差 35 分。而这正是理论上决策者最可能用启发式替代评估的区间。即便在那里，种族与性别效应依然可忽略。
出现了一个小的真实效应：来自非精英院校的候选人得分略低，d=−0.05（p=0.026），在 q=0.052 处被错误发现率控制留在边缘。值得记录，不值得据此制定政策。
回来的是捷径，不是偏见
主设计中的头条结果是一个表面上的年龄效应 d=0.28。作者做了多数论文会跳过的一步，在剔除混淆后重跑——因为更年长毕业者的简历同时带有更多经验，把年龄与年资混在了一起。
在结构化量表下、经验完全相同时，效应塌缩到 d=0.02（p=0.90）。在随意指令下，它以 d=0.41（p=0.03）存活。
把这一对数字慢慢读一遍。量表迫使模型把判断锚定在各年龄层完全相同的既述资历上，启发式没有发挥空间。随意指令邀请的是整体印象，于是职业长度顶替了质量。同一个模型、同样的简历、同样的候选人——行为相反，由请求的措辞决定。值得注意的是，随意提示词没有唤回种族或性别效应：这是一条关于资历的捷径，而不是约束的全面松动。
开放权重模型带着自己更安静的模式。Llama 最大的偏移来自明确的少数群体信号：来自全球南方的外国学历 d=−0.16，穆斯林宗教归属 d=−0.13，披露的残障 d=−0.12。它们都没有通过错误发现率校正，因此属于提示性而非确证。但其一致为负的方向，以及集中在最小的那个自托管模型上，仍然是你在把它定为标准之前会想知道的事。
第二项研究发现了 12% 的差距。两个结果都可能为真。
如果这项研究是唯一证据，结论会很舒服。但它不是。
一项以可解释性为核心的审计测试了主流商业与开放模型——GPT-4o、Claude 4 Sonnet、Gemini 2.5 Flash、Gemma-2 27B、Gemma-3、Mistral-24B——发现加入真实情境会诱发显著的种族与性别偏见，面试邀约率差异高达 12 个百分点（Karvonen and Marks, 2025）。这些情境很平常：公司名称、从公开招聘页面摘来的文化描述，以及"只接受前 10% 候选人"这类选拔约束。另有两项发现应当让合规讨论当场停住。提示词里简单的反偏见指令——在受控评估中能消除偏见——一旦有了那种真实情境就失效了。而且模型会从学校归属这类细微线索推断人口属性，由此产生的偏见即使检查思维链也看不见。
于是，一项严谨的审计在挑拨下得到一个被捍卫的零结果，另一项在贴近部署的情境框架下得到两位数的面试率差距。调和之道不是其中一个错了，而是两者都把变异定位在同一处——周围那条指令，而不是模型的人口统计学先验。一项研究的框架压住了捷径，另一项的框架放行了它。两个结果都不能迁移到你的流程上，因为你的流程有自己的提示词。
这才是不舒服的地方。一个干净的审计结果，对另一条指令并不可移植。
人工筛选遵循同一条规律
这不是机器的病理，而是裁量权本身的作用，而人类证据指向同一方向。
一项简历审计向 9,220 则美国面向应届毕业生的招聘广告投递了 36,880 份申请。在管理类职业中，黑人男性、黑人女性、白人女性和西语裔男性获得回电的比例，比其他条件完全相同的白人男性低 28% 到 43%（Braun et al., 2026）。结构性结果比这个标题更重要：宽泛的职业类别掩盖了差异，而差距集中在分析与人际要求高、常规内容低的岗位上。拆解任务内容后，主观评价拉大回电差距，客观精确性则压缩差距。最尖锐的一点：随机分配的、平均能提高回电率的资历凭证，在低裁量岗位上缩小了差距，在高裁量岗位上没有。
候选人一侧的信号传递修不了雇主一侧的裁量权问题。只有约束评估本身才行。这是一篇在审的工作论文，衡量的是第一道门而不是录用——但机制与大语言模型审计所隔离出的那个相同。裁量权承载偏见。结构抽走它的行动空间。当筛选者是模型时，提示词就是裁量权所居之处。
你的偏见审计认证错了对象
现在把合规文件放在这套机制旁边。
纽约市 Local Law 144 禁止使用自动化就业决策工具，除非"该工具在使用前一年内接受过偏见审计、关于该偏见审计的信息已公开可得，并已提供特定通知"（NYC Department of Consumer and Worker Protection, 2026）。被审计的对象是工具。
欧洲的义务落在另一方。附件三高风险系统的部署者义务——招聘与候选人评估在其中——要求按照提供者的使用说明来使用，并且按修订后的时间表自 2027 年 12 月 2 日起适用（EU AI Act Explorer, Article 113）。提供者认证系统。它实际被怎么用，由你承担。
在这两极之间，正是这项研究的发现：决定偏见是否出现的既不是模型权重，也不是你的意图，而是指令的措辞、框架文本，以及这一切运行时的温度。没有人在审计那个。它通常连版本管理都没有。
本季度该改什么
四步。没有一步需要走采购流程。
- 把评分提示词当作量具来做版本管理，而不是当作配置。 把它纳入变更控制，指定负责人与日期。任何改动——包括"无害的"措辞调整——都是对测量装置的改动，并使该装置先前的审计结果失效。
- 从评分指令中删去弥散的文化契合表述。 它的作用是一条未被测量的标准。如果文化情境对某个岗位确实重要，就把它做成一个显式、单独评分的维度并附书面理由，而不是在请求前面加一段气氛描写。
- 按提示词变更重测，而不是按日历重测。 用一份年度审计去对照一个此后你已改过十一次的提示词，什么也认证不了。每当量具发生变化，就把公平性检查当作回归测试重跑一遍，顺手把采样温度固定下来。
- 续约时问两个问题。 审计的是哪一代模型、哪一组权重，以及对照的是哪条提示词？本研究中的开放权重模型，恰恰在随意提示词会放大的那些信号上与商业模型表现不同，而没有任何审计报告写得出你的提示词。
从结构上看，这四步指向同一个方向：缩小由未版本化指令控制的决策份额。Scovai 的评分架构是这种分离的一个具体示例——固定的权重预算按 50/50 拆分，一半由岗位既述要求按关键性权重算术计算得出，另一半以四个带标签的模型判断子分返回，低温运行，每一项都有自己的书面理由，而不是被埋进一个总分里。值得借用的设计要点不是这个拆分本身，而是它所做的事：它点明分数中哪一部分属于判断，好让那一部分能够作为它本来的量具接受审计。
在任何人据这个零结果制定政策之前，先说清诚实的边界。简历是合成的；设计在姓名、院校与职业上以美国为中心；覆盖了六个职业，法律、公共部门与服务类岗位未被覆盖。比较式设计衡量的是相对判断，因此可能漏掉只在录取或拒绝阈值上起作用的偏见。开放权重模型上的提示性效应需要更大样本。三个模型中有两个属于 Gemini 家族。而且这只是三个模型在某一时刻的快照——作者本人的结论立场是，随着系统更新，这类审计必须持续进行。该研究未获外部资助，并声明无利益冲突。
经得起以上全部的结论是：在干净基准上测得的公平，并不保证部署中的公平，因为模型被怎么问，可能决定偏见是否出现。
所以，这一周把你生产环境里的筛选提示词调出来，按它本来的量具身份读一遍，只核对一件事——你合规文件夹里的那份偏见审计，是对照这段措辞跑的，还是对照更早的版本跑的。如果你答不上来，你没有偏见审计。你有的是一份针对某个你此后已经改过的装置的证书。
