最狠的一刀在消融：把量规里的评分等级全扔掉，ICC 纹丝不动；把官方答案一扔，0.888 直接摔到 0.628。原来那堆"论证清晰 0-3 分"的精致条款是装饰，真正干活的是标准答案——所谓评分，一直是拿答案对暗号，不是品鉴。顺手除了个除法：答题者多想的收益 0.143，评委多想只有 0.006。差 24 倍。评委席塞六个前沿模型也挤不出更多可靠性，怪不得谁。边界也清楚：没有标准答案的开放题这套立马失灵，数学卷好办，诗歌还得靠"智能"硬蒙。长度偏好、同族偏好全没测出来——之前一堆 LLM-as-judge 焦虑文可以松口气，前提是有人肯先把标准答案写出来。