本文提出了一种新的框架，用于评估大型语言模型（LLM）和人类评判者的偏见。结果显示人类和LLM评判者容易受到扰动，并存在相当大的偏见。作者呼吁社区开发健壮的评估系统。

本文提出了一种新的框架，用于评估语言模型和人类评判者的偏见。结果显示人类和语言模型评判者容易受到扰动，并存在相当大的偏见。作者呼吁社区意识到评判者脆弱性，并开发健壮的评估系统。

本文提出了一种新的框架，用于评估语言模型和人类评判者的偏见。结果显示人类和语言模型评判者容易受到扰动，并存在相当大的偏见。作者呼吁社区开发健壮的评估系统。