待验证50% 置信基准精确时间

在实力接近的智能体配对上，决策分歧率飙升至31%

1

来源数

50%

置信度

长期有效

时效性

2026/9/14

首次发现

来源

GAUGE研究：何时不能信任LLM-as-a-Judge的智能体评测

涉及实体

相关事实

待验证reasoning effort级别越高推理能力越强但token消耗越快，存在成本与智能的权衡62% 相似待验证人类标注者在评估答案时存在信息越丰富越好的认知偏差，导致奖励模型将篇幅与质量隐性挂钩，是模型冗余的成因之一60% 相似待验证Gao et al.（2023）的研究发现随着策略模型对奖励模型的优化程度增加，真实人类偏好评分先升后降呈现倒U形曲线59% 相似待验证顶级模型在许多评估任务上已接近人类裁判的水平，但存在倾向于给较长回答打高分等偏见59% 相似待验证混合评判员框架相比单一方法与人类评估的相关性提升了约30%59% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/919805

API

curl https://kongchang.com/api/v1/knowledge/claims/919805

MCP

get_claim(id=919805)