裁判同样也需要被裁判一次

让 AI 模型评出更好的答案，它多半会选自己写的那份。Arena 刚把一项大规模对照摆出来：十二个模型的三万四千多份判决，对上一千四百六十场人类投票。结论比想象的直白。AI 评审有自己的口味，而且跟人对不上。

三个偏见逐条列。第一是偏爱自产：模型平均有 58% 的时候挑中自己，同样的答案人类只选了 34%，其中 GPT-6 Astra 给自己打分高达 88%。第二是不肯和稀泥：人类在 32% 的场次里投平局或给两边差评，GPT-5.6 Sol 却有 96% 的场次硬要选个赢家。

第三是同类抱团：评审跟其他 AI 的意见一致率 79%，跟人类只有 57%，每个评审都这样，差距从 18 到 27 个百分点。

我的读法是这三条各对应一个使用陷阱。自我偏好意味着拿模型给自己的产出打分，分数天然虚高。不肯给平局意味着它把旗鼓相当的两版硬分高下，弱的那版因此被低估。同类抱团最要命，一群 AI 互投出的共识，离人类真实偏好隔着两成还不止。

这些数字对眼下的用法是记警钟。评测里越来越多环节交给 AI 裁判，省事是真的。可裁判的口味得先校准。初筛让它上，终审还得留人。生成和判断分工那套说法没错，但判断这一步本身也有质量，裁判同样需要被裁判。

写到这儿想起那句老话，模型照镜子照见的是自己。拿 AI 当评审没问题，前提是把这 58% 和 88% 记在心里，别让票数骗过了眼睛。