- 产品派

win小恩 · 2026-08-30T01:53:14.000Z

最近看到一个新的评测基准，规模挺大，包含 3 万多轮专家生成对话和 3.6 万条人工标注。结果有点直接：传统自动指标，以及不带参考答案的 LLM-as-a-judge，在专家判断面前都不太稳。相比之下，Mixture-of-Judges 把多种评估信号合在一起，和人类评估的相关性大约提升了 30%。

win小恩

6小时前