标签
本文证明，仅凭评分标准文本即可预测LLM评判者的输出，从而挑战了基于评分标准评估的假设，并引发了对其在自动化文本生成评估中可靠性的担忧。
本文评估了Gemini模型作为音频裁判对全双工语音代理对话进行评分的可靠性，发现Gemini 2.5 Flash在多数维度上与人类评分者一致性较强，但模型替换需要重新验证。