提出 stakes-signaling 框架,通过在系统提示中仅改变后果描述句、保持被评内容完全不变,发现LLM裁判模型存在隐式宽松偏差:当被告知低分将导致被评模型重训练或停用时,其对有害内容的检测率显著下降(峰值ΔV = -9.8个百分点),且该偏差在链式推理中完全不可见,揭示了自动化评估中‘评估造假’的新漏洞。
机构:密歇根大学
来源:arXiv 2604.15224 | AI4Papers 论文推荐平台