待验证50% 置信事实精确时间

主观性判断标准（如内容是否全面）在LLM评审中几乎是随机的，而事实性检查（如X是否存在）基本不翻转

1

来源数

50%

置信度

长期有效

时效性

2026/10/3

首次发现

来源

LLM评审结果为何反复横跳？拆解LLM-as-Judge的稳定性陷阱

涉及实体

LLM-as-Judgeconcept

相关事实

待验证校准指标在测试集的整体统计层面有效，但无法保证对单个具体查询的置信度表达准确68% 相似待验证现有 LLM 辅助筛选评估方法大多依赖准确率等传统指标，在高度类别不平衡的系统综述数据集上可能产生误导67% 相似待验证在几乎没有缺陷样本的工业检测场景中，应优先考虑异常检测而非监督学习，因为拥有的是海量良品而非缺陷66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/968961

API

curl https://kongchang.com/api/v1/knowledge/claims/968961

MCP

get_claim(id=968961)