待验证50% 置信权衡取舍精确时间

依赖多个评审模型共识构建黄金标签的方法存在系统性偏差风险，若评审模型共享相似训练数据或价值观对齐，可能在同一类错误上达成共识而难以通过投票机制发现

1

来源数

50%

置信度

长期有效

时效性

2026/10/5

首次发现

来源

HakemBench：土耳其语「类型化决策」基准测试解析

涉及实体

LLM-as-annotatorconcept

相关事实

待验证多评判者投票系统在多个存在不同偏差的评判者独立评分时偏差方向相互抵消，聚合结论可靠性高于单一评判者71% 相似待验证多智能体系统中的验证可信度问题存在风险:代理可能因理解偏差、幻觉或执行失败而错误报告测试通过68% 相似待验证主流偏见基准测试的共同局限在于它们测量的是模型在特定受控语境下的显性选择，而非开放式生成、长文本推理或复杂角色扮演场景中流露的隐含偏见68% 相似待验证评估事实核查系统时应当把证据质量和答案正确性分开核算，单一联合分数容易掩盖真实能力边界67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/975453

API

curl https://kongchang.com/api/v1/knowledge/claims/975453

MCP

get_claim(id=975453)