揭开多智能体决策的隐形不公，结果指标相同也未必可靠 | EMNLP'26 **新智元报道** 当多个大语言模型（LLM）组成「招聘委员会」，共同筛选简历、讨论候选人、打分并投票时，我们通常会用最终录用率来判断系统是否公平。 但一个更隐蔽的问题是：**即使不同群体的最终录用率看起来相近，他们在决策过程中经历的怀疑、追问、低分与额外审查，真的相同吗？** 近日，被**EMNLP 2026 Main Conference**接收的论文提出**SCOPED-Hiring**：一套面向LLM多智能体系统（MAS）的过程感知公平性诊断框架。 研究发现，看似平衡的最终结果背后，可能潜藏着显著的**轨迹不公平（Hidden Trajectory Unfairness）**：职业空窗会触发更多怀疑，代理线索会影响能力判断，身份线索则可能导致不均等的调查与审查。 更重要的是，SCOPED不止指出问题，还从决策轨迹中定位风险来源，并据此设计修复机制。在受控实验中，诊断驱动的修复方案将总分层公平负担降低**72.3%**，同时最终录用率仅变化**1.86个百分点**。 论文链接：https://arxiv.o