LLM-as-Judge1 篇实战文章

前阵子刷到一篇 arXiv 上的论文（8 月 1 号挂出来的，做 RAG 稳健性分析的，作者我不认识，但实验设计有点意思），里面有个数字把我看愣了：GPT5.4 当裁判给 RAG 输出打忠实度分，同一批输入换两个 embedder，它自己跟自己的 kappa 只有 0.137。