二值化如何拉平 LLM 裁判的评分空间

大语言模型裁判常将奖励二值化为 0/1，导致无法反映响应在各项标准上的具体表现。 在 MATH 和 SciBench 数据集上，二值化使 14 种构造的逐标准偏差在面板报告中不可见，而使用 3 级评分可使其显现。 保留至少 3 级评分可消除二值化的盲点，但仅靠判决仍不足以区分真实进步与谄媚式提升。