LLM 当裁判可靠吗：位置偏见、长度偏见、自我偏好

作者实测“规则先行、LLM 兜底”评测流程，发现规则四项全过的样本仍会答非所问（答相邻问题、答更大问题、不给结论），错误样本因无人检查而漏网。他调整抽检策略：规则不满分 100% 二审，规则满分抽 5%，LLM 调用量仅增 7.5% 却覆盖 60% 无人区。