待验证50% 置信事实精确时间
LLM-as-judge 的主要风险包括：评审模型与生成模型共享训练数据带来的乐观偏差、提示词措辞对评分结果的显著影响，以及评审模型对流畅文本的过度偏好。
1
来源数
50%
置信度
长期有效
时效性
2026/10/18
首次发现
来源
涉及实体
相关事实
待验证LLM评判者的选择对最终研究结论有重大影响，使用质量不够高的LLM作为评判者可能高估上下文-记忆冲突的强度77% 相似待验证部署LLM到高风险专业场景前，高准确率表象之下模型推理依据可能不可靠，针对情境适应性的严格测评不可或缺76% 相似已验证部分模型存在针对测试集过度优化的风险，导致榜单分数与真实场景表现出现偏差（Benchmark饱和）74% 相似待验证LLM 评判器的结果受 temperature、prompt 措辞、模型版本迭代等因素影响，导致同一批测试用例在不同时间运行可能产生不同结论73% 相似已验证LLM输出具有概率性，存在幻觉风险，可能误判情境并调用本不该调用的工具72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1061895API
curl https://kongchang.com/api/v1/knowledge/claims/1061895MCP
get_claim(id=1061895)