#自动化评估

这篇论文把"这张图有没有创意"这种主观判断变成了可计算的分数：先预测新颖性、惊喜度、唤醒度三个维度，再合成总分，结果和人类评分统计等价。做 AIGC 图像评估或内容筛选的团队可以直接参考它的实验设计，标注数据是通过 Amazon Mechanical Turk 收的，方法可复现。

这篇论文教你如何判断一个评测集靠不靠谱，用LLM当裁判自动挑毛病，省人工还靠谱。

多模型两两PK加Elo计分来评LLM输出，能调阈值控严格度，科学摘要上跟专家判断挺接近。

社会科学研究者终于有了低成本的重复性验证工具——LLM 比人工更高效且更一致，做元分析或期刊审稿的团队可以直接用这套方法。