研究称单一LLM评审或系统性污染模型排名

Andriy Burkov 介绍一项关于 LLM-as-judge 可靠性的系统研究，称单一评审模型进行绝对打分时会产生不对称的假阳性与假阴性。研究指出，这类隐性错误可能在未被发现的情况下污染模型排名、误导部署决策，并扭曲自动化训练管线，同时评估评审模型自身能力等因素如何影响其判断行为。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。