我们想用 GPT/Claude 当裁判，评 Qwen/DeepSeek 的回答。这样会不会天然偏向自己的风格？

]]>https://localaihub.com/topic/203/用强模型裁判评弱模型-会不会偏RSS for NodeWed, 03 Jun 2026 19:44:28 GMTThu, 14 May 2026 23:04:00 GMT60这样比较现实。裁判也是工具，不是法官。

]]>https://localaihub.com/post/2282https://localaihub.com/post/2282Fri, 15 May 2026 20:30:00 GMT我们先做模型初筛，人工抽查边界和争议样例。

]]>https://localaihub.com/post/2281https://localaihub.com/post/2281Fri, 15 May 2026 17:35:00 GMT评测报告里要标注哪些分数来自模型裁判，哪些来自人工。

]]>https://localaihub.com/post/2280https://localaihub.com/post/2280Fri, 15 May 2026 17:03:00 GMT可以辅助看风险，但最终还是测试和 review。模型裁判不能替代 CI。

]]>https://localaihub.com/post/2279https://localaihub.com/post/2279Fri, 15 May 2026 14:13:00 GMT代码评测可以让裁判看 diff 吗？

]]>https://localaihub.com/post/2278https://localaihub.com/post/2278Fri, 15 May 2026 13:53:00 GMT合规和业务口径别让模型单独判。它不知道你公司真实规则。

]]>https://localaihub.com/post/2277https://localaihub.com/post/2277Fri, 15 May 2026 12:56:00 GMT有帮助，但成本更高，也不保证对。最好还有人类校准集。

]]>https://localaihub.com/post/2276https://localaihub.com/post/2276Fri, 15 May 2026 12:09:00 GMT多个裁判投票呢？

]]>https://localaihub.com/post/2275https://localaihub.com/post/2275Fri, 15 May 2026 11:35:00 GMT我们遇到过裁判更喜欢啰嗦答案，短但正确的反而低分。

]]>https://localaihub.com/post/2274https://localaihub.com/post/2274Fri, 15 May 2026 09:34:00 GMT裁判提示词要固定，评分维度要清楚。不要让它凭“整体质量”打分。

]]>https://localaihub.com/post/2273https://localaihub.com/post/2273Fri, 15 May 2026 08:20:00 GMT用，但要控制。标准答案明确的题可以自动判一部分，开放题要人工抽查。

]]>https://localaihub.com/post/2272https://localaihub.com/post/2272Fri, 15 May 2026 07:02:00 GMT那还用不用？

]]>https://localaihub.com/post/2271https://localaihub.com/post/2271Fri, 15 May 2026 04:56:00 GMT尤其是风格题。裁判可能偏好更长、更像英文论文的答案，不一定适合中文用户。

]]>https://localaihub.com/post/2270https://localaihub.com/post/2270Fri, 15 May 2026 03:18:00 GMT会有这个风险。LLM-as-judge 可以省人力，但不能当绝对真理。

]]>https://localaihub.com/post/2269https://localaihub.com/post/2269Fri, 15 May 2026 02:11:00 GMT