LLM-as-a-Judge（LLM 作为评判者）

该方法利用强LLM（如GPT-4）根据给定标准对回答进行打分或比较，替代人工标注。常见形式包括单点评分、成对比较和列表排序。技术关键包括提示设计、位置偏差缓解和一致性校准。MT-Bench显示LLM评判与人类偏好高度相关，但存在自我增强偏差和对抗脆弱性。广泛用于模型迭代、排行榜和RLHF奖励建模。