2026-05-27 arXiv 人工智能前沿论文汇总

1. 算法筛选下的招聘同质化隐患 原文标题: Algorithmic Monocultures in Hiring 发布时间: 2026-05-26 论文链接:http://arxiv.org/abs/2605.27371v1 众多企业依赖同一厂商的算法来甄别候选人。我们推断，算法的同质化倾向会使特定种族及个体面临更高的拒录风险。基于一个涵盖300万求职者、400万份申请的全新数据集（均经同一供应商算法筛选），我们发现了显著的种族差异：依据美国就业歧视法规，亚裔申请中有14.74%被导向对其不利的岗位，黑人申请中这一比例高达25.87%。个体层面同样存在同质化困境：申请了10个职位的求职者中，有4%会被所有推荐系统拒绝，该比例远超随机预期。为探究此现象，我们利用招聘算法的可复现性（即调整参数顺序结果不变），模拟了求职者在各岗位的潜在筛选结果。研究指出：为确保简历进入人工复核环节，亚裔平均需投递28份申请，而黑人则需39份。

1. 算法筛选下的招聘同质化隐患

原文标题: Algorithmic Monocultures in Hiring

发布时间: 2026-05-26

论文链接:http://arxiv.org/abs/2605.27371v1

众多企业依赖同一厂商的算法来甄别候选人。我们推断，算法的同质化倾向会使特定种族及个体面临更高的拒录风险。基于一个涵盖300万求职者、400万份申请的全新数据集（均经同一供应商算法筛选），我们发现了显著的种族差异：依据美国就业歧视法规，亚裔申请中有14.74%被导向对其不利的岗位，黑人申请中这一比例高达25.87%。个体层面同样存在同质化困境：申请了10个职位的求职者中，有4%会被所有推荐系统拒绝，该比例远超随机预期。为探究此现象，我们利用招聘算法的可复现性（即调整参数顺序结果不变），模拟了求职者在各岗位的潜在筛选结果。研究指出：为确保简历进入人工复核环节，亚裔平均需投递28份申请，而黑人则需39份。

2. GENESIS：AI 代理驱动的 6G 无线网自适应生成与测试 原文标题: GENESIS: Harnessing AI Agents for Autonomous 6G RAN Synthesis, Research, and Testing 发布时间: 2026-05-26 论文链接:http://arxiv.org/abs/2605.27360v1 无线通信研发受限于六大流程瓶颈：每次迭代均需数月重复人工工程，包括：(i) 从标准或论文将新功能合成至生产代码；(ii) 合规性与互操作测试；(iii) 针对现场异常及多样部署环境的加固；(iv) 数据驱动的网络功能优化；(v) 面向未来标准的波形、功能及能力探索与原型设计；(vi) 栈层漏洞防护。虽然大语言模型（LLMs）已将通用软件开发从数天缩短至几分钟，但在无线接入网（RAN）场景中其缺陷尤为致命：它们常虚构 API 接口并误读规格书（导致组件互操作性在首次错误时崩溃），且过度依赖仿真设计（仿真环境与真实硬件迁移时常失效）。为此，我们提出 GENESIS 框架——一种基于 AI 代理的解决方案：该框架将意图（如规格条款、遥测异常或研究假设）转化为经空口实测验证的方案，并通过持久知识库 SYNAPSE 实现闭环反馈（所有产出均入库）。框架由三个可组合模块组成：(1) 代理系统负责意图解析与方案生成；(2) 技能集提供领域知识图谱及自动化测试工具链；(3) Hook 机制嵌入实时反馈通道；(4) SYNAPSE 知识层既充当基准真理源，又作为持续演进的记忆体。

2. GENESIS：AI 代理驱动的 6G 无线网自适应生成与测试

原文标题: GENESIS: Harnessing AI Agents for Autonomous 6G RAN Synthesis, Research, and Testing

发布时间: 2026-05-26

论文链接:http://arxiv.org/abs/2605.27360v1

无线通信研发受限于六大流程瓶颈：每次迭代均需数月重复人工工程，包括：(i) 从标准或论文将新功能合成至生产代码；(ii) 合规性与互操作测试；(iii) 针对现场异常及多样部署环境的加固；(iv) 数据驱动的网络功能优化；(v) 面向未来标准的波形、功能及能力探索与原型设计；(vi) 栈层漏洞防护。虽然大语言模型（LLMs）已将通用软件开发从数天缩短至几分钟，但在无线接入网（RAN）场景中其缺陷尤为致命：它们常虚构 API 接口并误读规格书（导致组件互操作性在首次错误时崩溃），且过度依赖仿真设计（仿真环境与真实硬件迁移时常失效）。为此，我们提出 GENESIS 框架——一种基于 AI 代理的解决方案：该框架将意图（如规格条款、遥测异常或研究假设）转化为经空口实测验证的方案，并通过持久知识库 SYNAPSE 实现闭环反馈（所有产出均入库）。框架由三个可组合模块组成：(1) 代理系统负责意图解析与方案生成；(2) 技能集提供领域知识图谱及自动化测试工具链；(3) Hook 机制嵌入实时反馈通道；(4) SYNAPSE 知识层既充当基准真理源，又作为持续演进的记忆体。

3. Maat：守护竞争秩序的智能法律研究代理 原文标题: Maat: The Agentic Legal Research Assistant for Competition Protection 发布时间: 2026-05-26 论文链接:http://arxiv.org/abs/2605.27331v1 竞争法专家在进行法律研究时，需审阅海量案例、裁决及司法报告以识别先例并评估关键要素。尽管通用助手如 Claude、ChatGPT 以及法律专用助手如 SaulLM-7B、LegalGPT 正被广泛应用，但它们在竞争法分析上仍显不足：缺乏专业领域知识、官方文献引用匮乏或虚构竞争法案例。我们推出 Maat——一个基于 ReAct 框架的代理工具系统，通过整合适配不同研究任务的工具链实现协同。该系统在与竞争法专家共同迭代设计过程中展现出以下特性：利用 RAG 技术确保案件依据与结论的权威性。