LLM-as-a-Judge：如何评估大语言模型应用的健康度

文章详解“LLM-as-a-Judge”机制，即利用一个语言模型评估另一个模型的输出。健康的 LLM 应用需在准确性、安全性、速度及成本等多维度保持一致性。由于 LLM 输出非确定性且质量主观，传统测试不足，需结合黄金数据集、自动指标与人工校准构建完整评估栈。