有没有人觉得现在的prompt评测像明朝言官互相弹劾？

我这两天拿DeepSeek反复试同一个任务，发现评测标准这玩意儿比明末党争还玄乎。同一个prompt，换个说法，输出质量能差出八条街；可你要是用打分制去评，又跟天启年间的廷杖一样，打谁不打谁全看运气。 我就想啊，咱能不能搞个“廷议式评测”：把同一个问题扔给几个模型，让他们自己写一段辩论词，互相找茬，然后我们当皇帝，看完直接批个“准奏”或“驳斥”？这比光看BLEU和迷惑度有意思多了吧？ 另外我想问下，有没有人试过让DeepSeek扮演海瑞去审别的模型生成的回答？这要是能审出逻辑漏洞，那可比什么benchmark都接地气。可惜咱社区人少，搞得我每次发帖都像深夜上朝，满堂只有回声。