评测与安全

裁判模型

LLM-as-a-Judge

用另一个模型按量表给回答打分,替代部分人工评测。

又称 LLM-as-a-Judge 自动评分

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

把「答案 + 问题 + 评分标准」交给裁判模型,让它输出 1–5 分或 A/B 优劣,用来批量评估上百个提示词版本。

它有明显偏好:偏爱长答案、偏爱自己熟悉的表达、对同族模型打分偏松。所以要用校准集和人工抽检对齐,评测报告里也要写清裁判是谁。

✦举个例子

同一批 200 个回答,让裁判按「事实准确 / 有用 / 简洁」各打 1–5 分。

✓实战提示

先用 50 条人工标注校准裁判,再放到大规模评测里,别直接信绝对分数。

02 什么时候会碰到它
看榜单、写验收标准或做安全评审时

「跑分高」和「好用」之间隔着一条鸿沟。这组词帮你看懂分数怎么来的、评测集有没有被污染,以及攻击是从哪进去的。

03 和这几个词怎么区分
04 接着读这几篇
05 用得到的工具

下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活