大语言模型（LLM）正从工具进化为“裁判”（LLM-as-a-judge），开始大规模地评判由AI自己生成的内容。这种高效的评估范式，其可靠性与人类判断的一致性，却很少被深入验证。

研究团队构建了名为 PersonaEval 的全新基准测试，旨在衡量LLM在角色扮演场景中识别说话者的能力。该测试基于真实的人类创作数据，并精心设计了“干扰项”，以模拟更复杂的场景。测试结果显示，即使是表现最好的模型 Gemini-2.5-pro ...

大语言模型（LLM）正从工具进化为“裁判”（LLM-as-a-judge），开始大规模地评判由AI自己生成的内容。这种高效的评估范式，其可靠性与人类判断的一致性，却很少被深入验证。

你问我答 Referee, umpire, judge, official 四个表 “裁判” 的近义词 Play audio file 本集节目内容简介 听众 Hongyi 对名词 “referee、umpire、judge、official” 的用法感到困惑。 在谈论体育运动的语境中，这四个 “裁判员” 似乎做着同样的工作，但为什么他们却有不同的名字呢？

SAO PAULO, Aug. 11 (Xinhua) -- Brazil's Supreme Federal Court judge Alexandre de Moraes, who the United States sanctioned for putting former President Jair Bolsonaro on trial, praised Brazil's constit ...

Want to know the secret to staying elegant? Sergejs Sinkins, Dancesport Judge at the Chengdu World Games, has gone viral on ...

74岁的皮洛过去担任过纽约州韦斯切斯特郡（Westchester County）地区检察官，2008到2011年间因主持周末电视节目「皮洛法官」（Judge Jeanine Pirro）而声名大噪，之后在福斯新闻频道主持「皮洛法官谈正义」（Justice with Judge Jeanine）长达11年。

WASHINGTON, Aug. 7 (Xinhua) -- A U.S. federal judge on Thursday ordered Florida to temporarily halt construction at an immigration detention center in the Everglades, marking a temporary win for ...