关于 Llama-3.1 的报道

通过 logits 直接读取大语言模型裁判的首个 token 虽然计算成本低，但会系统性高估位置偏差。这一机制缺陷意味着当前的许多自动化评测结果可能并不准确，反映出以模型动作为基础的评测方法需要重新评估。