本文探讨了人类与大型语言模型（LLM）在评估LLM性能时的偏见问题。研究发现评判者存在显著偏见，且LLM在某些任务上优于人类。强调了使用LLM进行评估的潜力及开发更可靠评估系统的重要性。

本文探讨了人类与大型语言模型（LLM）在评估LLM性能时的偏见问题。研究发现评判者存在显著偏见，且LLM的评估结果与人类评估者一致。提出了新的评估框架，强调开发更健壮评估系统的必要性。