研究：换一个 LLM 评审，系统排名就变了
原文标题：Swapping the Judge Changes the Ranking: A Preregistered Study of Cross-Provider Replication in LLM-Judged System Comparisons
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。
预注册研究让三家供应商的五个评审模型重判 4000 场 Chatbot Arena 对战，与人类投票的判定级一致性中位 Cohen's kappa 仅 0.22，系统排名随评审更换而变动（Kendall's tau 0.17–0.89）。跨供应商双评审复现可小幅提升精度，但收益主要来自剔除一个对齐差的评审。结论：跨供应商复现不足以作为可靠校验。
- 问题
- 用另一家供应商的 LLM 评审复现结论，这种校验是否可信。
- 方法
- 预注册实验：5 个评审模型重判 4000 场 Chatbot Arena 对战，与人类投票做判定级和排名级一致性分析。
- 结果
- 与人类判定中位 Cohen's kappa 仅 0.22，排名 Kendall's tau 0.17–0.89；双评审仅提升 0.10 精度。
- 影响
- 把 LLM-as-judge 当评测基准的团队需警惕：换评审就换排名，跨供应商复现不能当可靠性证明。
深读 · 结论先行AI 生成展开看要点与影响 ↓
换LLM评审系统排名就变：与人类判定一致性中位kappa仅0.22，排名tau低至0.17。
- •预注册研究，三家供应商五个评审模型重判4000场Chatbot Arena对战，含九系统33对。
- •与人类投票的判定级一致性中位Cohen's kappa仅0.22。
- •系统排名随评审更换变动，与人类排名Kendall's tau为0.17-0.89（中位0.67）。
- •跨供应商双评审精度+0.10，但收益主要来自剔除一个对齐差的评审；含该评审时仅35%对比留下结论。
- •对齐差的评审在26-70%系统对上无法收敛（每对最多100条判定）。
为什么重要：对用LLM评审做模型选型或排行榜的团队：换供应商复现不足以作为可靠校验，单评审结论需谨慎对待。
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。