待验证50% 置信决策规则精确时间
评判者本身也是需要版本管理的组件——更换评判模型或修改 rubric 都会让历史分数失去可比性,因此基线实验必须与评判者版本绑定记录。
1
来源数
50%
置信度
长期有效
时效性
2026/10/29
首次发现
来源
涉及实体
相关事实
待验证LLM-as-judge 的版本耦合问题:裁判模型本身也会随版本更新,其评分标准和对措辞的宽容度可能偏移;当被评模型和裁判模型同时升级时,评估结果的变化难以归因。74% 相似待验证如果频繁更换评判者,历史分数就失去可比性,趋势线也会断裂73% 相似待验证在非平稳环境下,过去收集的标签所反映的候选优劣关系可能失效,控制器若固守旧证据就会做出过时决策。72% 相似待验证评估分数依赖测试数据集,数据集随业务变化会导致评分漂移,使历史横向比较产生误导70% 相似待验证应对延迟真值的实践路线之一:真值到达后直接改写原来那次 run 的评估记录,优点是单一事实来源,缺点是破坏评估历史的不可变性。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1113039API
curl https://kongchang.com/api/v1/knowledge/claims/1113039MCP
get_claim(id=1113039)