该文综述大语言模型评估研究，指出LLM作评估器存在约40%认知偏差，机器偏好与人类不一致；现有基准在心理健康、法律、多主体决策等领域有局限，GPT-4表现突出但提升空间大。研究呼吁转向元推理等新范式，以更准确评估LLM认知能力。