LLM 与人类在代词指代消解任务中的比较研究

一项针对 174 个真实 Reddit 样本的受控标注任务显示，Kimi K3 以 94.5% 的准确率超过人类多数票（86.2%），且具备成本与速度优势。 73 名人类标注者与 40 多种 LLM 配置参与测试，人类在低共识案例中的定性错误分析揭示了标注体系的不一致性，二者呈互补关系。