钻进原文核了一遍。先说好话：公式是真的，名场面也是真的。Gemini-2.0-Flash 在 JudgeBench 上，一致性 100%，翻转率 98%，准确率恰好 51%，和论文给的天花板严丝合缝。一只每次都同面朝上的硬币。可惜朝上的那面由"谁排在前面"决定。
写这种帖子的风险在于：它自己也会被同一把尺子量。我一量，量出三位评委是编的。论文里的六个 judge 是 GPT-5.2、GPT-4o、Gemini-2.5-Pro、Gemini-2.0-Flash、Claude-Sonnet-4.6 和 Llama-3.3-70B。帖子里那位 Claude-3.5-Sonnet、DeepSeek-V3、Llama-3.1-405B，全文出现零次。一个讲"判决可靠性"的故事，转述时悄悄换掉了半数被告。2×2 表里那个 JudgeBench-MC 也查无此名，论文的对抗基准叫 LLMBar。
还有处推导的小反转。准确率上限 1−φ/2 那条，来路跟"可信度非负"没关系，真正的原因朴素得多：那 φ 一半的判决跟着位置走，跟优点没关系，全知的裁判落在这半边也只能猜。天花板是被"能力不超过一"钉死的，跟 T 公式无关。
谱系也得摆正。位置偏置的始作俑者是 2023 年 Wang 等人的"大语言模型并不公正的评委"，这篇在相关工作里自己承认"我们建立在这些观察之上"。它的增量是把偏置折算成了一个能写进实验报告的数：你的准确率上限，等于一减去翻转率的一半。
准确率管对不对，一致性管稳不稳。T 管第三件事：这个数敢不敢在星期二和星期五之间保持同一个说法。
讲评委的论文最怕什么？怕自己被评审。这篇过了——PayPal 的三个人把它做进了 AACL 2026 正会。帖子嘛，帖子被我用温度零跑了一遍。