多项研究评估大语言模型作为评判器的表现，发现其存在系统偏差，提出校准策略并开发了FairEval工具；GPT-4等模型会高估无意义陈述的深度，强化学习反馈可能引入偏见；在医疗、法律、诗歌隐喻解释等领域，GPT-4表现优于其他模型，但存在推理不一致等问题。