ConFit v3：通过基于 LLM 的重新排名改进简历-工作匹配

可靠的简历职位匹配系统可以帮助公司从简历库中找到合适的候选人，并帮助求职者从职位列表中找到相关职位。虽然基于嵌入的方法（例如 ConFit 和 ConFit v2）的最新进展可以有效地大规模检索候选者，但缺乏可控性和可解释性限制了它们在现实世界中的适应。基于 LLM 的重新排序器可以通过推理解决这些限制，但现有的训练方法是在短文档基准上开发的，并且没有考虑现实世界招聘数据中的噪音。在这项工作中，我们首先对 LLM 重排序训练流程进行系统分析，以实现人职匹配，涵盖推理算法设计、RL 算法选择、数据处理和 SFT 蒸馏。我们发现，使用多遍重新排序、使用列表 RL 目标进行训练、去除噪声样本以及在 RL 之前从更强的 LLM 中提取可以显着提高重新排序性能。然后，我们汇总这些发现，在现实世界的人职匹配数据集上使用 Qwen3-8B 和 Qwen3-32B 训练 ConFit v3，并发现比现有最佳人职匹配系统以及强大的 LLM（例如 GPT-5 和 Claude Opus-4.5）有显着改进。我们希望我们的研究结果为未来将基于 LLM 的重新排序器适应人员工作匹配系统的研究提供有用的见解。