跳到正文
论文与研究官方

苹果研究:LLM评审在个性化写作评估中表现不稳

Evaluating the Evaluators: Investigating LLM Judges for Personalized Writing Style Assessment

苹果研究团队在NeurIPS 2026研讨会上发表论文,用四个LLM生成三类长文写作任务,并收集人类偏好标注与LLM评审标注进行对比。结果显示,评审质量与MMLU通用能力仅弱相关,且随任务和评估标准变化;成对比较比独立打分更一致;最强模型未必最能复现人类判断。

AApple Machine Learning Research阅读原文

相关阅读

论文与研究·Microsoft Research
微软研究披露Lazarus后门技术,可重编程休眠神经元控制AI智能体
论文与研究·Google DeepMind Blog
DeepMind 用 AlphaProof Code 形式化验证 Signal 协议代码
论文与研究·NVIDIA Blog
NVIDIA 在 CoRL 发布开源世界动作模型 GR00T 2 与 Isaac Lab 3.0