LLM-as-Judge

使用语言模型作为裁判对AI输出进行评分的范式，已被多项研究证实与人类评估具有较高相关性，但存在位置偏见（倾向于给排在前面的选项更高评分）和奉承偏见（倾向于认可权威来源输出）等问题。