该论文评估大语言模型作为评判者评估个性化写作风格的能力：用四个模型完成三项长文写作任务，收集人类偏好标注并与模型评判对比。结果显示，评判质量与MMLU通用能力仅弱相关（ρ≤0.2），且随任务和标准变化；成对比较比独立打分更一致有效；最强模型未必最贴合人类判断，可能因对细节过度敏感。