#自动化评分

LLM评估分数重跑一次就变，你的评分体系还可靠吗？

同一模型、同一评分标准，11个LLM评估中7个分数重跑后变化，最大波动1分。实测数据揭示自动评分的分辨率下限约0.5分，并给出评估流水线的三条自查建议。