待验证60% 置信事实精确时间

GPT-4级别的模型作为Judge时，其评判结果与人类专家的一致性超过80%

2

来源数

60%

置信度

长期有效

时效性

2026/3/2

首次发现

来源

Cursor 2.0实战：Vibe Coding方法论与10倍效率编码指南

bilibili认真的笨笨2026/3/2

涉及实体

相关事实

待验证研究表明GPT-4作为评估者与人类专家评分的一致性超过80%，显著高于BLEU、ROUGE等基于词汇匹配的自动化指标84% 相似待验证GPT-4等模型在作为评判者时会系统性地偏好特定位置的回答77% 相似已验证GPT-4、Claude 3.5、DeepSeek等模型在HumanEval编程基准测试上的通过率已超过80%77% 相似待验证在标准化测试中，GPT-4的表现已超过90%的人类考生77% 相似待验证OpenAI与Nature合作评估了GPT-4的审稿能力，发现其与人类审稿人的意见重合度约为50-60%74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/2105

API

curl https://kongchang.com/api/v1/knowledge/claims/2105

MCP

get_claim(id=2105)