研究：推理能否提升大模型心理深度取决于评判者
原文标题：Does Reasoning Improve Psychological Depth in Large Language Models? It Depends on Who's Judging
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。
论文通过短篇故事的心理深度研究LLM-as-a-Judge的失效模式，七位人类读者与在原始PDS数据集上筛选的LLM评审团评估60对盲测故事。人类偏好未显示普遍推理优势：GPT-5略优于GPT-4o，而DeepSeek-R1落后V3，读者间一致性接近随机（α=0.070）。评审团却在89%维度比较中偏好推理输出，且分数与句长、词汇多样性等表面特征相关，说明开发集性能不足以证明部署有效性。
- 问题
- LLM-as-a-Judge在主观任务上能否替代人类评估。
- 方法
- 用7名人类读者与在PDS数据集上筛选的LLM评审团，盲测60对故事的心理深度。
- 结果
- 人类读者一致性α=0.070接近随机，评审团却在89%维度比较中偏好推理输出。
- 影响
- 开发集相关性高不代表部署有效，主观评测不能只信单一LLM评委分数。
深读 · 结论先行AI 生成展开看要点与影响 ↓
60 对盲测故事中人类不认为推理模型更好，LLM 评审团却在 89% 维度比较中偏好推理输出。
- •人类偏好：GPT-5 以 60.0–62.9% 略胜 GPT-4o，但 DeepSeek-R1 以 42.9% 落后 V3。
- •七位读者间一致性接近随机，Krippendorff's α=0.070，呈结构化异质性而非随机作答。
- •评审团在 89.0% 维度比较和 60 对中的 59 对上偏好推理输出，五种评审配置一致。
- •评审分数与句长、词汇多样性等表面特征相关；该评审在原 PDS 数据集上与人类相关 ρ=0.646。
为什么重要：开发集相关性不能保证分布偏移后的评测有效性，依赖 LLM-as-a-Judge 给主观生成打分的团队需要警惕系统性偏好。
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。