Rohan Paul (@rohanpaul_ai)T2·78 分
斯坦福发现 8 款大模型评审医学答案时集体偏袒自身
原标题:New Stanford paper finds that all 8 LLMs tested rank their own medical answers higher than other mod...
- 8 款模型全部自评偏高,平均 1.22 个位次,GPT-5.6 Sol 接近 3 个位次
- 匿名化与去除评分标准都无法消除偏差,公开模型名仅削弱 0.094 个位次
- 建议采用跨模型家族评审团并分评审报告,避免单一汇总分数掩盖偏差