斯坦福新论文发现,让大模型当裁判评医疗答案,8 个模型全都偏袒自己,匿名也一样,平均给自己多抬 1.22 个名次。 论文测试了来自 OpenAI、Anthropic、Google 和 Qwen 的 8 个模型,让它们回答 620 道真实临床问题,再对 8 份匿名答案排序。每个评审给自己答案的名次,都高于另外 7 个评审给同一份答案的名次,GPT-5.6 Sol 接近 3 个名次。 去掉评分标准后偏袒还在,公开模型名字也只让偏差缩小 0.094 个名次。作者建议用跨模型家...
🌐 链接: https://x.com/taiyanghere/status/2122932962983583744
🏷️ 分组: X|太阳(taiyanghere)
🕒 时间: 2026-11-18 14:00:35
🌐 链接: https://x.com/taiyanghere/status/2122932962983583744
🏷️ 分组: X|太阳(taiyanghere)
🕒 时间: 2026-11-18 14:00:35