热点事件持续更新
研究揭示跨模型LLM裁判评测排名不稳定
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
2026年11月4日，arXiv自然语言处理领域发布的一项针对大语言模型（LLM）裁判跨供应商复验的研究显示，在对LLM系统进行对比评测时，更换不同的裁判模型会导致系统排名出现显著变动。此外，该研究还指出LLM裁判与人类裁决之间的一致性整体偏低，其中位数Cohen's kappa仅为0.22。这一发现揭示了当前依赖LLM作为评测裁判时存在的排名不稳定与评估偏差问题。
AI 根据报道生成 · 12 小时前更新
最新进展11月4日 13:00
研究指出更换LLM裁判会导致模型系统对比排名显著变动，且与人类裁决一致性偏低。报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv 自然语言处理研究揭示更换 LLM 裁判模型会导致系统排名显著变动
一项针对 LLM 裁判跨供应商复验的研究表明，更换裁判模型会导致大语言模型系统对比排名显著变动，裁判与人类裁决的一致性偏低（中位数 Cohen's kappa 仅为 0.22）。
本事件热度走势
当前热度 7·可比范围峰值 10（11月4日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。