研究人员推出O*NET-BENCH基准审计LLM裁判能力

2026年10月5日，研究团队发布关于评估套件 O*NET-BENCH 的论文。该基准基于 45,796 项工人评价构建，旨在审计大语言模型（LLM）作为职业裁判的能力表现。测试结果显示，LLM 裁判虽然在排序表现上尚可，但在任务接受率的估算上与人类判断存在严重偏差，暴露出接受率失真的问题。

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。