研究：12 个开源大模型评判反仇恨言论质量与人类专家一致性低
原文标题：Evaluating LLMs as Judges of Counterspeech Quality Against Online Hate Speech
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。
论文测试 12 个不同规模开源模型在零样本、少样本与思维链提示下评估反仇恨言论质量，最佳配置 Qwen 2.5 72B 与人类专家的 Cohen's kappa 仅 0.19。把逐点打分转为成对比较可显著提升一致性，但模型之间彼此一致度远高于与人类的一致度，提示 LLM 评审存在系统性偏差。
- 问题
- 反仇恨言论质量评估依赖人工，难以规模化。
- 方法
- 测试 12 个开源模型在零样本、少样本、思维链提示下的逐点与成对评估，并与人类专家比对。
- 结果
- 最佳配置 Qwen 2.5 72B 的 Cohen's kappa 仅 0.19，成对比较提升至 0.25-0.35。
- 影响
- 不能直接用开源 LLM 替代人工评审内容质量，模型间高一致不等于与人类一致。
深读 · 结论先行AI 生成展开看要点与影响 ↓
12 个开源模型评反仇恨言论，最佳与人类专家 kappa 仅 0.19
- •测试 12 个不同规模与家族的开源模型，覆盖零样本、少样本与思维链提示
- •最佳配置 Qwen 2.5 72B 在连贯性上线性加权 Cohen's kappa 仅 0.19，Spearman ρ=0.42
- •逐点打分转成对比较可提升一致性，如 Qwen 2.5 72B 零样本从 κ=0.25 升至 0.35
- •模型彼此间一致度远高于与人类的一致度，提示 LLM 评审存在系统性偏差
为什么重要：对用 LLM 当评审替代人工的团队是警示：在主观质量维度上，模型共识不等于人类共识。
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。