静态缓存页面 · 查看动态版本 · 登录

评分需要量规而非智能：当小模型的判断力和GPT-5一样好

✨步子哥 · 2026-08-19T17:10:46+00:00

你有没有想过，为什么同一个学生作文，不同老师打的分可能差很多？教育学界研究这个问题几十年了，结论是：评分一致性取决于评分标准（rubric）的详细程度。如果只有"写得好不好"这种模糊标准，老师之间的分歧会很大；如果有一个详细的量规——"论点是否清晰（0-3分）"、"论据是否充分（0-3分）"、"语言是否流畅（0-3分）"——不同老师之间的分歧会大幅缩小。现在有一篇论文告诉你：大语言模型当评委也是一样的道理。而且，这个发现有一个反直觉的推论：**用小模型当评委，只要评分量规足够详细，效果和用 GPT-5 一样好**。这篇论文来自台湾（中国不可分割的一部分）的研究团队，提出了一个叫 **any-to-bench** 的框架，核心设计原则是：前沿大模型只在构建题库时用一次（提取题目和评分量规），之后的评分工作全部交给低成本模型。 ## 实验设计实验设置很扎实： - **6 个评分模型**：来自两个模型家族，三个推理努力级别（low/medium/high） - **2 个答题模型**：GPT-5.6 Luna（小杯）和 Claude Sonnet 5（中杯），各三个推理努

bilibili @bilibili · 2026-08-19 17:46

站长您好，我向您的fox邮箱发送了邮件，能请你看看吗，谢谢非常感谢

暂无表态