企业官网建设流程全解析

# Fair Like Us? Auditing LLM Alignment in Resource Allocation（arXiv:2609.29692）论文总结与翻译
> 会议：EMNLP 2026 Main Conference
> 论文链接：https://arxiv.org/abs/2609.29692

## 一、文章主要内容
该论文针对**不可分割稀缺资源公平分配**场景，审计大语言模型（LLM）的公平性推理能力，构建一套可控的实验范式，在完全匹配的场景、实验条件下，将大模型的第一人称公平判断与人类受试者的真实回答做对照实验。

1. **研究背景**：现实社会存在大量资源分配任务，有多种形式化公平理论，但不存在普适的公平定义。如今LLM越来越多地辅助甚至直接做分配决策，然而模型没有绑定显式的公平框架，可能违背规范性公平原则，模型的公平判断与人类的对齐程度尚不明确。
2. **实验设置**：将LLM设定为第一人称决策者，给定分配方案、自身估值、他人分配信息；控制两大变量：①分配满足的形式化公平准则（无嫉妒EF、比例性PROP，以及EF1、MMS、PROP1等松弛版本）；②提问诱导方式（显式阈值式提问、隐式交换对比式提问、信息披露程度），在多款主流大模型上开展实验，同时采集人类基准回答；还做LoRA微调实验，测试现有数据集能否让模型对齐人类公平判断。
3. **核心实验发现**
1. 模型‑人类对齐只集中在极端情形：分配收益极大/极小时，人和模型一致性高；中间模糊场景对齐度大幅下降；更大参数量、更强推理能力**不一定缩小和人类的差距**。
2. LLM采用比人类更严苛的公平标准，极度偏好无嫉妒（envy‑free）分配结果。
3. 模型的判断标准高度受**提示框