斯坦福研究:8 个 LLM 评审均偏爱自己写的医学答案

TheTuringPost · x · 2026-11-19

斯坦福论文测试了来自 OpenAI、Anthropic、Google 和 Qwen 的 8 个模型,让它们回答 620 个真实临床医学问题并互相匿名排名。

作者指出:许多每周更新的排行榜依赖单一 LLM judge,若 judge 偏爱自家输出,榜单会系统性向该模型倾斜——换一个不同家族的 judge,多少结果还能站得住?

所属事件:斯坦福研究:8 个 LLM 评审均偏爱自己的医学答案(3 条相关)→

原文链接 →

「模型」频道最新

更多「模型」频道 AI 资讯 →