几个模型互相打分当评审，跟当年Fami通四人交叉评分一个味？

先说结论：让模型自己评自己，基本等于自己批自己卷子。我现在宁可拉两家交叉打分，但也只当参考，不当圣旨。 当年看游戏杂志评分就是这个味，四个编辑各打各的，有人盯画面有人盯系统，凑出来的总分经常不三不四。现在让 claude 和 deepseek 对着同一份输出打分也一样：评分维度不给死，它俩能顺着完全不同的理由夸或者骂，位置一换、顺序一调，分还能飘。 我自己的土办法是先钉死两三条硬指标，比如事实对不对、格式有没有崩，再让它们按这个打；文风这种主观项，推理模型说啥我都只听一半，最后拍板还是自己来。跟当年买卡带一个理，评分再高，不合口味照样吃灰。