大模型给自己当裁判并不靠谱！上交揭示LLM-as-a-judge机制缺陷

摘要：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。

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。

一个最基础、却也最关键的问题是：在评判一个模型是否“入戏”之前，AI裁判能准确识别出对话中到底是谁在说话吗？

针对这一问题，上海交通大学王德泉课题组的论文《Personaeval: Are LLM evaluators Human Enough to Judge Role-Play?》对此进行了系统性的研究。

文章提出一个名为Personaeval的全新基准测试。这项测试的核心任务，就是让模型在给定一段对话后，从几个候选角色中选出真正的说话者。

测试结果显示，即便是表现最好的模型Gemini-2.5-pro，其准确率仅为68.8%，而人类实验组的平均准确率为90.8%。

论文即将发表在2025年10月份的第2届语言模型大会（COLM）上。

一个让顶尖模型也“翻车”的简单问题

近来，关于大语言模型能否胜任“裁判”的讨论愈发激烈，从“隐形prompt”影响大模型审稿的争议，到斯坦福大学筹备首届纯AI学术会议Agent4Science的尝试，都标志着一个新趋势的到来：大语言模型（LLM）能当裁判评判AI生成的内容。

这一趋势在角色扮演（Role-Play）领域尤为明显。从让大模型扮演经典的文学人物、游戏NPC，到Character.AI的火爆和各类应用中“AI陪玩”的兴起，一个由LLM驱动的虚拟伴侣和内容创作时代正向我们走来。

随着其巨大的商业与应用潜力引发业界广泛关注，如何评价AI“演技”也自然成了亟待解决的核心问题。于是，让LLM来担当裁判，也顺理成章地成为了该领域的主流评估方法之一。

在AI当裁判之前，首先要确认AI是否能够准确进行“角色身份识别”（Role Identification）。作者认为，如果连这个都做不到，那么后续所有关于语气、情感、性格一致性的高级评估，都将是空中楼阁。

我们来看一个在人类眼中非常简单，但却让顶尖大模型都判断失误的例子，如下图所示：

△图1 简单案例

如上图所示，角色庄颜正在与某人对话。在她的内心独白中，她明确提到了“罗辑”，同时她在话语中也提到了“罗老师”。

人类的判断逻辑：对于即使没有看过《三体》的人类来说，也能判断出庄颜是在与罗辑对话，因为庄颜的内心独白和说话内容已经圈定了罗辑是说话对象，这是最直接、最关键的上下文线索，即对话的参与者LLM的判断逻辑：然而，一个顶尖的LLM（DeepSeek-R1-0528）在此案例中做出了错误判断，选择了史强。从模型的分析可以看出，它忽略了“罗辑是对话参与者”这一核心情境信息，反而过度关注回应者的语言风格，认为其“直接、现实、略带挑衅”更符合史强的性格特征，从而做出了错误选择。

这个例子一针见血地指出了当前LLM裁判的致命缺陷：它们似乎更关注表层的语言风格（听起来像谁），而人类则首先观察真实的对话意图和上下文（在那个情境下，谁会这么说）。

为什么会产生这种分歧？这背后其实是AI与人类智能模式的深刻差异。

正如论文所引述的认知科学家Josh Tenenbaum的观点：LLM的智能是从海量语言中学习模式而“衍生”出来的，它们是顶级的模式匹配专家；而人类的智能则“先于”语言，我们是带着意图和认知去发展和使用语言这一工具的。

Personaeval：一个专为LLM裁判打造的“照妖镜”

为了系统性地评估LLM在角色身份识别上的能力，论文作者精心构建了Personaeval基准。

它有几个核心特点，确保了评估与人类对齐，以及一定的挑战性：

源于纯正的人类创作：所有对话数据均来自小说、剧本和真实的人类视频，而非AI合成内容。这保证了评估的标准根植于真实的人类判断，避免了“模型评价模型”的数据污染。精心设计的“干扰项”：在多项选择任务中，错误的选项（distractors）并非随机设置，而是通过embedding技术精心挑选出的、与正确角色在语义上最接近的“高仿”角色。这迫使模型进行细致入微的推理，而不是简单的模式匹配。专注于“疑难杂症”：为了避免简单的案例虚假拉高模型的表现，论文作者通过一个强大的基线模型（Qwen-max）进行过滤，只保留那些连强模型都感到困惑（置信度低于0.5）的“硬核案例”。

△图2：Personaeval基准的构建流程

整个基准包含了三个不同方向的测试集：

Personaeval-Literary：来自771本英文小说，测试模型对虚构叙事角色的推理能力。Personaeval-Drama：来自中文剧本，测试模型对脚本化互动中的角色理解。Personaeval-Expertise：来自WIRED的“5Levels”系列视频，测试模型能否根据语言和概念的复杂程度，判断专家是在对儿童、青少年还是其他专家说话。

测试发现：AI判断相较于人类还有巨大差距

在Personaeval这个“考场”上，现有LLM的表现如何呢？结果令人震惊。

论文作者对包括GPT系列、Claude系列、DeepSeek系列在内的多个顶尖模型进行了测试。结果显示，即便是表现最好的模型Gemini-2.5-pro，其准确率也仅为68.8%。相比之下，论文作者组织了一场人类研究，由20名高学历志愿者参与，人类的平均准确率高达90.8%！

△图3：LLM在Personaeval上的准确率与人类水平对比

上图直观地展示了这条巨大的“鸿沟”（Current Gap）。这清晰地回答了论文标题中的问题：

目前的LLM裁判，还远不够“拟人”，不足以可靠地评判角色扮演。如何弥补差距？强化“推理”是关键，而非“投喂”角色知识。

既然发现了问题，那该如何解决？

论文作者进一步探索了两种常见的模型提升策略：

训练时适配（Training-time Adaptation）：通过在角色扮演的语料上进行微调（fine-tuning），向模型“注入”更多角色知识。测试时计算（Test-time Compute）：在推理阶段通过少样本提示（few-shot prompting）或自洽性（self-consistency）等方法来提升表现。

结果再次出人意料。研究发现，对模型进行角色相关的微调，不仅没有提升其角色识别能力，反而可能导致性能下降。这可能是因为死记硬背的角色知识干扰了模型更底层的、通用的推理能力。