LLM 评判没有人工验证不可靠
IanArawjo · x · 2026-07-19
作者指出：如果只用 LLM 给缺失的人类数据打分，结果和直接用有偏的 LLM judge 一样糟，依然会显著放大假阳性率。
他们在大量数据分布上做了模拟，发现未做校正的 LLM 判断很容易给出“看似显著、其实是假的结果”。相反，把 4 个经过 PPI 校正的统计检验 平均起来，即使只依赖少量人类标签，也能保持较好的假阳性控制。结论很直接：没有人类验证的 LLM judge 结果不可信。
所属事件:研究警示：缺乏人工校验的LLM评委存在高假阳性率(7 条相关)→
「研究」频道最新
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11
- 「Waymo 效应」：AI 正在悄悄让科研协作变少 — JohnHammersley · 2026-09-11
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11