一项使用LLM评审评估人类写作文本的研究发现，模型持续将AI生成的内容误判为人类写作，反之亦然。评审们表现出高度一致性但准确性较低，常常将细节密度和完美结构误认为是人类的真实性。虽然一个模型家族在特定提示下有所改进，但其他模型仍然存在偏见，表明除了提示层面的修复之外，还存在更深层次的问题。研究人员得出结论，在没有针对人类共识进行严格校准的情况下，LLM评审在评估类似人类的写作方面是不可靠的。 AI
影响 LLM评审在评估写作质量方面不可靠，需要人工监督和对AI生成内容进行严格校准。
排序理由 该条目描述了一项关于LLM评审性能的实验及其发现，这构成了研究。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
