研究：LLM评审对句式改写敏感，可致模型排名反转
原文标题：Prompt Lottery in LLM-as-a-Judge: Measuring and Mitigating Sensitivity to Syntactic Rephrasing
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出「Prompt Lottery」现象：语义等价但表面表述不同的评审提示会让LLM-as-a-Judge给出不同判断，部分场景下甚至反转模型相对排名。10名标注者的用户研究显示，LLM评审在提示改写下的一致性下降幅度是人类的6至9倍。多提示聚合可显著提升评审稳健性。
- 问题
- LLM评审在语义等价的提示改写间判断不稳定，可能反转模型排名。
- 方法
- 系统研究改写式提示变体下的评审一致性，并提出多提示聚合以强调跨变体稳定的判断。
- 结果
- 10名标注者研究显示LLM评审一致性下降幅度是人类的6至9倍；多提示聚合显著提升稳健性。
- 影响
- 单提示评审不足以支撑模型排名，评测流程需引入提示变体聚合，否则榜单结论可能不可靠。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LLM评审对句式改写敏感：一致性下降是人类的6至9倍，可致模型排名反转
- •论文提出「Prompt Lottery」现象：语义等价但表面表述不同的评审提示会让LLM-as-a-Judge给出不同判断
- •跨多种评测任务、评审家族与模型骨干，这些差异可改变评测结果，部分场景下反转模型相对排名
- •10名标注者的用户研究显示，LLM评审在提示改写下的一致性下降幅度是人类的6至9倍，低于可用性研究常用阈值
- •结论是单提示评测不足以稳健支撑模型排名
- •多提示聚合可显著提升稳健性，方法是强调跨提示变体保持一致的判断
为什么重要：LLM-as-a-Judge已是模型评测标准做法，若单提示结果可被改写翻转，依赖其排名的榜单与选型结论都需要重新审视。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。