Hacker News · AI 讨论· yamanahlawat·· 23 天前精选AI 评分71
作者实测 LLM 评审打分不稳：同一份代码八次评分在 0.82 到 0.93 之间漂移
An LLM judge passed renders with defects I planted
AI 导读
作者把同一份 React 组件代码、同一张渲染截图和同一张 Figma 参考图交给 gpt-5.6-terra（medium 推理强度）连打八次分，结果在 0.82 到 0.93 之间波动，7 次过 0.85 门槛、1 次不过，而 schema 是否合法等布尔字段八次完全一致。
借鉴点
同一份代码同一张截图连打八次分，分数在 0.82 到 0.93 之间漂，说明用 LLM 打分当门禁会把噪声当回归；可拿走的是植入已知缺陷、多次重跑、再加一道 Clef 否决的做法，代价是要重跑一遍缺陷集且 Clef 会把大图缩到 30 万像素。
来源：Hacker News · AI 讨论 · yamanahlawat.in