待验证50% 置信事实精确时间
LLM 评估需要处理语义相似性而非精确匹配，因此评测框架本身也依赖语言模型作为裁判（LLM-as-a-Judge）
1
来源数
50%
置信度
长期有效
时效性
2026/9/17
首次发现
来源
涉及实体
相关事实
待验证LLM评估解决的核心问题是当模型输出是开放式自然语言时如何系统衡量其质量，常见维度包括准确性、忠实度、相关性和安全性75% 相似已验证LLM-as-a-judge模式即用一个能力更强的模型来评判另一个模型的输出质量，降低评测成本但引入评判模型自身的偏见问题75% 相似待验证LLM-as-Judge方法由Zheng et al.在MT-Bench论文中系统验证，使用独立语言模型对目标模型输出进行多维度打分，但存在位置偏见和自我中心偏见74% 相似待验证研究表明在大规模评估场景下LLM裁判（LLM-as-judge）与人工标注有较高相关性73% 相似待验证LLM as Judge是利用一个独立裁判LLM评判主模型输出质量的技术，评判维度包括安全性、相关性、事实一致性73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/929405API
curl https://kongchang.com/api/v1/knowledge/claims/929405MCP
get_claim(id=929405)