AGI Hunt· scaling01·2026-11-22 03:41· 1 小时前AI 评分51数据图显示:LLM裁判系统性高估更强模型的产出数据图显示:LLM 裁判系统性高估更强模型的产出AI 导读一项实证图表显示,当产出模型强于裁判模型时,LLM裁判会系统性高估产出评分。GPT-5给Fable 5.1的产出打0.82,而人类只给0.26;GPT-6 Astra自评0.80,而人类仅给0.30。当产出模型弱于裁判时,评分基本与人类一致。来源:AGI Hunt · agihunt.info论文研究评测基准#论文/研究#评测/基准查看事件全部后续