论文评估大语言模型在机器翻译质量标注中与人工标注的一致性，比较MQM和ESA两种方案。结果显示，模型与人工一致性在部分任务上超过人工间一致性，但随方案、语对和领域差异大，多数场景仍不可靠。人工难处理细粒度MQM和低资源语对，模型难处理小错误、错误语言变体及错误跨度标注，未来可探索人机协作标注。