99 美元 MUD 评测显示 LLM judge 会重排模型排名

Davisb135 · hn · 2026-07-22

一项花 99 美元的原型研究：用 MUD 评测 LLM

作者们把 1970 年代起源的文本游戏 MUD 变成了一个 LLM 评测环境，用个人电脑和大约 99 美元 的 API 额度完成了实验。

关键结果包括：

• 他们从 四个行为维度 给模型打分。
• 其中两个维度严重依赖 LLM judge；去掉后，某个前沿模型的排名直接掉了 6 位。
• 再用第二个 judge 对比时，不同模型之间的一致率从 85% 到 22% 不等。
• 探针检测的总体 kappa 只有 0.04，说明这个测量工具噪声很大。
• 受影响最明显的模型，和打分用的分类器属于同一家族，但作者强调这不能证明偏置，只是观察到的现象。

作者明确把它定位成 proof of concept，而不是已经验证的 benchmark。他们也列出不少局限：每个模型只有 50 次运行、前几名置信区间重叠、没有人工标注、环境很小等。论文、数据、代码和完整 API 账单都已公开。

原文链接 →

「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

更多「研究」频道 AI 资讯 →