DramaGrow 基准审计 LLM 评委对中文多集剧的评判可靠性
原文标题：DramaGrow: A Regime-Aware Benchmark for Auditing LLM Judges of Multi-Episode Drama
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。
论文推出 DramaGrow，面向 AI 生成中文五集剧的分层基准与审计协议，将约束违规、偏好与评分分歧分开统计。基准含 800 集、120 次干预与 1155 条盲评记录；重复绝对打分准确率仅 53.8-55.8%，而 DirectPair-GLM 达 85.1% 偏好准确率，说明评估协议与平局校准对结果影响不亚于评分标准设计。
深读 · 结论先行AI 生成展开看要点与影响 ↓
DramaGrow基准显示重复绝对打分准确率仅53.8-55.8%，DirectPair-GLM偏好准确率达85.1%
- •基准含800集、120次字节保持干预、1,155条盲评五评者记录
- •重复绝对打分平均准确率53.8-55.8%，三次调用一致率仅29.8-32.5%
- •平局带加宽后准确率从71.6-71.9%跌至34.8-37.1%
- •DirectPair-GLM同批项目达85.1%偏好准确率、89.5%约束F1、81.9% Detect+Locate
- •精确子面板枚举认定五分之四多数为最小稳定人类投票边际
为什么重要：评估协议与平局校准对LLM评委结果的影响不亚于评分标准本身，做中文剧集生成评测的团队需重新审视打分方式。
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。